SGHAEIR Oumaima

Mémoire de fin d’Etudes
Thème
Modélisation des dépôts à vue et

élaboration du STRESS Testing :
Cas de la BH-Bank
SGHAEIR Oumaima M. BEN AISSA Safouane
BH-Bank
38ème PROMOTION Banque - Décembre 2020

Dédicaces
Je dédie ce mémoire :
À ma très chère mère, aucune dédicace très chère maman, ne pourrait exprimer la
profondeur des sentiments que j’éprouve pour vous, vos sacrifices innombrables et votre
dévouement firent pour moi un encouragement. Vous m’avez aidé et soutenu pendant de
nombreuses années avec à chaque fois une attention renouvelée ;
À mon père, qui peut être fier de trouver ici le résultat de longues années de privations
pour m’aider à avancer dans la vie. J’espère que vous y trouverez les fruits de votre semence
et le témoignage de ma grande fierté de vous avoir comme père ;
À mon mari, pour l’amour et l’affection qui nous unissent ; je ne saurais exprimer ma
profonde reconnaissance pour le soutien continu dont tu as toujours fait preuve. Ton soutien
et tes efforts m’ont permis de réaliser le rêve tant attendu ;
À mon frère, Ta bonté, ton précieux soutien, ton encouragement tout au long de mes
années d’étude, ton amour et ton affection, ont été pour moi l’exemple de persévérance, tu as
été toujours une épaule pour moi et surtout pour mon fils ;
À mes chers enfants, Je mets entre vos mains, le fruit de longues années d'études, de longs
mois de distance de votre amour de votre tendresse, de longs jours d'apprentissage ;
À toute la famille de mon mari à mes proches, qui m’ont toujours soutenu et encouragé;
À mes amis, pour leurs présences dans ma vie ;
Qu’ils reçoivent, à travers ce travail aussi modeste soit-il, l’expression de mes sentiments et
de mon éternelle gratitude.
Oumaima
Remerciements
Je tiens à remercier tout particulièrement mon encadrant le professeur Monsieur

Safouene BEN AISSA, pour La gentillesse et la bienveillance avec lesquelles il a guidé mes
pas dans ce travail. Veuillez trouver dans ce travail l’expression de ma haute considération,
ma profonde reconnaissance et ma sincère gratitude ;
Je tiens à remercier chaleureusement Mme Najla GUABSI, de m’avoir accueillie au sein de

la BH-Bank, et de m’avoir suivie et encadré durant toute la période du stage ;
Je tiens également, à remercier les membres de jury qui ont accepté d’évaluer ce travail de
recherche ;
Je tiens aussi à remercier tout le corps professoral et administratif de l’IFID, qu’il trouve
ici l’expression de ma profonde reconnaissance ;
Enfin, je tiens à remercier, au terme de ce mémoire, tous ceux qui m’ont aidé et ont
contribué, d’une manière ou d’une autre, à la réalisation de ce travail de recherche.
Liste des abréviations
ALM : Asset-Liability Management
ABS : Asset-Backed Securities
ALHQ : Actifs Liquides de Haute Qualité
BCE : la Banque Centrale Européenne
BCT : Banque Centrale de Tunisie
CMBS : Commercial Mortgage Backed Security
CDO : Collateralized Debt Obligation
CBCB : Comité de Bâle sur le Contrôle Bancaire
CMF : Conseil de Marché Financier
DVA : Dépôt à vue
FED : la réserve fédérale des Etats-Unis
LCR : Liquidity Coverage Ratio
LTD : ratio crédits/dépôts
NSFR : Net Stable Funding Ratio
OTS : Office of Thrift Supervision
PIB : Produit Intérieur Brut
RMBS : Residential Mortgage Backed Security
Taux de Marché Monétaire
TMM : VAR : Value At Risk

L ISTE DES F IGURES
Figure 1. Présentation de l'actif et le passif sur les quatre années .................................... 20

Figure 2. Evolution du capital restant sans remboursement anticipé .................................. 21
Figure 3. Evolution du capital restant dû lorsqu'il y a remboursement anticipé .............. 21
Figure 4. Evolution du volume global du refinancement moyen .......................................... 25
Figure 5. Evolution mensuelle des dépôts à vue de Janvier 20 15 à Décembre 2019 .... 42
Figure 6. Evolution de taux de bon de trésor de Janvier 20 15 à Déc embre 20 19 ........ 43
Figure 7. Encours fournis VS encours déssaisonnalisés .......................................................... 45
Figure 8. Evolution des encours observ és et modélisés par Selvaggio .............................. 50
Figure 9. Ecoulement des encours de dé pôt à vue ................................................................... 52
Figure 10. Evolution des encours des D AV entre Janvier 20 15 et D écembre 2 019 ....... 55
Figure 11. Autocorrélogramme partielD .................................................................................... 56
Figure 12. Autocorrélogramme partielRésidus ......................................................................... 57
Figure 13. Evolution des encours des d épots à vue observés,
modélisés par Selvaggio et AR(2) ............................................................................................... 58
Figure 14. Evolution des encours modélisés et prédits par le modèle AR(2) .................... 58
Figure 15. Evolution des encours prédit s par la tech nique de lissage exponentiel simple
............................................................................................................................................................. 60
Figure 16. Ecoulement choqué et écoulement central ............................................................. 69
LISTE DES TABLEAUX
Tableau 1. Actif passif de la banque à la date 0 ................................................................... 19

Tableau 2. Résultat du test de saisonnalité ............................................................................... 44
Tableau 3. Statistique descriptive des variables...................................................................... 45
Tableau 4. Résultats du test d’hétéroscédasticité des erreurs .............................................. 46
Tableau 5. Résultats du test de multi colinéarité ...................................................................... 47
Tableau 6. Résultats du test Durbin -Watson ............................................................................. 47
Tableau 7. Résultats de l’estimation des trois modèles :
Selvaggio, Dupré, Jarrow & v.Devente r .................................................................................... 48
Tableau 8. Paramètres estimés pour l’élaboration
de la convent ion d’écoulement des encours des DA V .............................................................. 51
Tableau 9. Ecoulement des encours des dépôts à vue de Décembre 201 9 ........................ 52
Tableau 10. Résultats du test de Dickey -Fuller ........................................................................ 55
Tableau 11. Résultat du test Jarque -Bera ................................................................................. 56
Tableau 12. Test de Shapiro -Wilk (résidus) ............................................................................. 65
Tableau 13.Test de Jarque -Bera (résidus) ................................................................................. 65
Tableau 14. Intervalle de confiance du paramètre α_1......................................................... 66
Tableau 15. Choc sur la vitesse d’ajustement ........................................................................... 67
Tableau 16. Paramètres choqués pour l’élaboration de la convention d’écoulement
choquée des encours des DAV ....................................................................................................... 67
Tableau 17. Ecoulement choqué des encours des dépôts à vue de Décembre 2019 ....... 68
Sommaire
I N T R O D U C T I O N G E N E R A L E ........................................................................................................... 1
C H A P I T R E I . L A G E S T I O N A C T I F - P A S S I F B A N C A I R E , M E T H O D E S E T P RA T I Q U E S
E X I S T A N T E S D E M O D E L I S A T I O N D E S R E S S O U R C ES A V U E ................................................ 6
SECTION I. La gestion actif-passif et l e risque de liquidité : ............................................ 8
SECTION II. L’enjeu des dépôts a vue en gestion actif -passif : étude bibliogr aphique
......................................................................................................................................................... 27
CHAPITRE II. MODELISATION DES DEPOTS A VUE, COSTRUCTION DE LA

C O N V E N T I O N D ’ E C O U L E M E N T E T S T R E S S T ES T I N G ........................................................... 39
SECTION I. Construction de la convention d’écoulement des DAV : ............................. 41
SECTION II. Approche dynamique des DAV : ....................................................................... 54
SECTION III. STRESS TESTING ET IMPACT SUR LES INDICATEURS DE MESURE ......... 61
C O N C L U S I O N G E N E R A L E ............................................................................................................. 71
R E F E R E N C E S BI B L I O G R AP H I Q U E S ............................................................................................. 74
A N N E X E S ........................................................................................................................................... 80
Intr odu ction Gé néra le
I NTRODUCTION G ENERALE
Page 1 sur 99
La gestion des risques est une discipline ancienne. En revenant un peu en arrière dans
l’histoire, plusieurs établissements financiers ont connu une vague de faillites retentissante.
En moyenne, le système financier connait une crise majeure une fois par siècle. Ainsi, en se
prolongeant dans l’histoire, nous constatons que plusieurs crises ont succédées en fragilisant
plusieurs systèmes bancaires de part le monde.
Prenons le cas du Banesto. La cause principale de sa faillite en 1994 est une mauvaise
gestion interne qui se traduit par le développement effréné des crédits sans que les fonds
propres ne suivent cette évolution. Lorsque l’information a été divulguée et l’affaire a été
rendu publique, la clientèle de la banque ont retiré presque 15% de leur dépôt. La banque se
trouvant alors obligée de remplacer les ressources bon marché reçues auparavant de la part de
sa clientèle par des ressources de marché à un coût plus élevé. La crise s’est donc traduite par
une crise de liquidité suivie de matérialisation d’un risque de transformation.
La crise de 2008 est plus complexe dont les premiers signaux inquiétants ont été
remarqués début 2007. La crise bancaire a connu son point d’orgue avec la faillite de Lehman
Brothers pour devenir ensuite une crise financière. Les soubresauts de la crise de 2008 sont
dus principalement à un problème de liquidité. Cette crise a mis l’accent sur la criticité du
risque de liquidité. Parmi les conséquences de cette crise est la détérioration de certains
indicateurs de gestion bancaire, prenons l’exemple du ratio des actifs liquides des banques
Britanniques sur leur actif total qui a passé de 30% avant la crise à 1% après la crise1.
Toutes ces crises financières qu’a connu l’histoire remettent en question la liquidité et la
solvabilité bancaire, ce qui rend la gestion du risque de liquidité de plus en plus un enjeu de
taille pour les banque qui cherchent à assurer leur rentabilité et leur pérennité.
En effet, les banques par leur activité quotidienne, qui consiste à transformer des
ressources à court terme en emplois à long terme, sont exposées à un risque de liquidité qui a
été négligé par les accords de Bâle I (1988) et les accords de Bâle II (2004). Une conséquence
emblématique de cette négligence est donnée par la banque anglaise Northern Rock qui
malgré son respect du ratio de solvabilité (Bâle II) a subi une crise de liquidité sans précédent.
Nous pouvons donc dire que l’activité bancaire est une combinaison d’opportunités et de
menaces générateurs de vulnérabilités multiples.
1
Tom Cougdon, The Financial Times, September 2007
Page 2 sur 99
A partir de ce constat, plusieurs chercheurs ont œuvré dans la conception des méthodes
dans le but de garantir aux banques une meilleure gestion actif-passif. Suite aux directives et
recommandations annoncées par le comité de Bâle, la gestion actif-passif se présente comme
un cadre conceptuel pour la gestion du risque de liquidité, de taux d’intérêt et de change. A
l’échelle nationale, la gestion actif-passif est née avec la parution de la circulaire 2006-19 du
28 Novembre 2006, et depuis la gestion du risque de liquidité a pris un essor au niveau de la
gestion de risque des banques Tunisiennes.
En effet, dans le contexte Tunisien, le traitement de la question est digne d’une grande
première. Le spectre de l’assèchement de liquidité ne cesse de planer sur le secteur bancaire
Tunisien. Le besoin des banques en liquidité auprès de la BCT a atteint un record historique
16,5 Milliards de dinars2, en moyenne en Avril 2019.
Pour que la BH-Bank soit à l’abri des risques de liquidité, l’élaboration d’un référentiel
ALM est un préalable primordial. L’ALM ou gestion Actif-Passif est une pratique qui
consiste à analyser la situation du bilan et son évolution probable. Son objectif principal est
l’estimation et le pilotage de l’équilibre entre emplois et ressources de la banque tout en
maximisant la rentabilité bancaire sous contrainte d’un niveau de risque et d’un cadre
réglementaire. De ce fait, elle veille aussi à s’assurer du respect des ratios imposés par le
régulateur. Cependant, l’enjeu majeur pour un gestionnaire actif-passif est l’impossibilité de
l’adossement en liquidité entre les ressources d’une part, et les crédits financés d’autre part
parce que certains postes de bilan ne possèdent pas une échéance certaine à l’instar des dépôts
à vue, c’est là où réside le problème lorsque le gestionnaire n’a pas une visibilité quant à
l’évolution de ces ressources.
Bien que les dépôts à vue non rémunérés représentent pour la banque des ressources bon
marché (gratuites), ils sont aussi dangereux et risqués vu leur caractère aléatoire parce qu’ils
sont des produits non échéanciers et sont par nature exigibles à tout instant, donc un retrait
massif de ces ressources peut provoquer une pénurie de la liquidité au niveau d’une banque.
C’est à partir de ce constat que la problématique de ce mémoire a eu sa naissance. Dans ce
cadre, notre travail se propose de mettre en œuvre une approche de gestion du risque de
liquidité induit par les dépôts à vue non rémunérés à travers une analyse des écoulements de
ces comptes.
2
Rapport d’activité, BH-Bank, exercice 2019
Page 3 sur 99
Pour répondre à cette problématique, notre travail s’articule autour de deux chapitres.
Un premier volet théorique et un deuxième pour l’application empirique de la méthodologie
que nous allons citer.
La première section du premier chapitre sera consacrée à la présentation de la relation

qui existe entre la gestion Actif-Passif et le risque de liquidité sur lequel nous baserons notre
étude. A ce niveau, un aperçu sur le concept ALM, ses objectifs et les risques couverts par
cette technique sera essentiel de les présenter. Cette première section sera conclue par la
focalisation sur le risque de liquidité et l’exposition des concepts théoriques liés à ce risque
tels que sa définition, ses sources, sa mesure et sa gestion dans le cadre ALM qui s’articule
essentiellement autour de la mesure des gaps de liquidité, de l’écoulement du bilan et du
stress test.
L’écoulement du bilan requiert de connaitre les échéances de chaque poste. Notre étude
s’intéresse aux problèmes liés aux postes qui ne possèdent pas d’échéances connues à
l’avance, plus particulièrement aux dépôts à vue, parce qu’ils représentent une ressource très
importante pour la BH-Bank, elle représente 32% des ressources de la clientèle, c’est
pourquoi la deuxième section du premier chapitre sera dédiée principalement à présenter
l’enjeu des dépôts à vue en gestion Actif-Passif. Afin de résoudre cette issue, nous allons nous
attarder tout au long de cette section, sur la présentation de la modélisation des dépôts à vue
qui est une étape primordiale dans la construction des conventions d’écoulement.
Après la présentation des différents modèles qui traitent la problématique des échéances
des dépôts à vue, le deuxième chapitre sera réservé à leur application sur la série des encours
des dépôts à vue de la BH-Bank et de choisir selon des outils statistiques appropriés le modèle
le plus adéquat pour établir une convention d’écoulement et pour prévoir une évolution future.
Les résultats issus de ce travail peuvent permettre à la banque de s’impliquer d’avantage dans
le financement de l’économie tout en ayant une meilleure visibilité sur le futur, puisqu’elle
dispose désormais des données estimées leur permettant d’évaluer le risque de transformation.
Donc cette méthodologie que nous allons présenter permet de répondre à la question
suivante : comment nous pouvons mesurer et valoriser les dépôts à vue, c'est-à-dire quel est
le modèle des dépôts à vue pour la BH-Bank lui permettant de mesurer la partie stable
qu’elle pourrait utiliser pour octroyer des crédits en minimisant le risque de transformation
et de liquidité ?
Page 4 sur 99
Enfin et au niveau de la deuxième section du deuxième chapitre, nous allons effectuer

un stress test qui concerne les dépôts à vue non rémunérés en faisant des simulations de crises
pour quantifier la perte maximale en cas de changement majeur et une fluctuation dangereuse
du marché ramenant presque la totalité de la clientèle de la banque court aux guichets pour
retirer leur dépôt, c’est le phénomène de la ruée bancaire que toutes les banques veulent s’en
abstenir.
Page 5 sur 99
Chap itr e I. La ges tio n actif -P assif b anca ire , mé tho des e t pr at iqu es e xis t ante s de
modélisa tion des r esso urces à vu e
CHAPITRE I. LA GESTION ACTIF-PASSIF BANCAIRE,

METHODES ET PRATIQUES EXISTANTES DE MODELISATION
DES RESSOURCES A VUE
Page 6 sur 99
Intr odu ction :
La création de la liquidité par les banques constitue un élément essentiel au bon

fonctionnement de l’économie. Ainsi, les banques produisent de la liquidité via l’octroi des
crédits qui sont des actifs illiquides à des agents économiques à besoins de financement. Or,
cette activité les expose au risque de liquidité. En effet, les banques portent structurellement
dans leur bilan un montant de liquidité agrégé négatif, parce qu’elles promettent plus de
liquidité qu’elles n’en possèdent (Brunnermeier et al. 2014). Alors, nous pouvons dire que le
risque de la liquidité est consubstantiel à la création de cette dernière qui est la raison d’être
d’une banque.
Pour un pays, la fonction de la création de liquidité est optimale et bénéficie à l’économie.

Néanmoins, une exposition excessive des banques au risque de liquidité peut rendre cette
fonction sous optimale. Cette exposition excessive peut être incitée par une recherche abusive
des gains en s’exposant essentiellement au risque de transformation. La conséquence d’un tel
comportement peut être une source de déclenchement d’une crise de liquidité à titre
individuel, lorsqu’une banque pouvant faire l’objet d’une ruée de ses déposants, mais
également, d’une panique bancaire et assèchement de la liquidité entrainant une crise
systémique.
De cette observation découle la problématique de ce mémoire, celle de la mesure du risque de

liquidité et sa bonne gestion en vue de conserver l’optimalité de la fonction de création de
liquidité pour l’économie. En effet, plusieurs indicateurs et techniques ont été élaborés dans le
but de donner aux banques une meilleure visibilité pour la gestion de risque de liquidité. Nous
retenons dans ce qui suit la méthode de la gestion actif-passif (ALM) qui met l’accent sur le
calcul des gaps de liquidité. Afin de pouvoir calculer correctement ces gaps, il faut que tous
les postes du bilan ayant un échéancier certain, or ce qui est absurde, plusieurs postes n’ont
pas une échéance certaine, tels que les dépôts à vue faisant l’objet d’un examen approfondi
des chercheurs.
Les dépôts à vue étant le cœur de la liquidité bancaire, nous nous baserons notre étude sur leur
modélisation. Pour ce faire, nous avons divisé le premier chapitre en deux sections. La
première section présente la gestion ALM et le risque de liquidité, et la deuxième section est
réservée à l’enjeu des dépôts à vue dans le cadre de la gestion actif-passif.
Page 7 sur 99
SECTION I. La gestion actif -passif et le risque de liquidité :
Récemment, l'un des domaines les plus actifs de la recherche financière est la gestion
des risques. Des recherches approfondies ont conduit à de nouvelles méthodes de gestion des
risques. Par exemple, l'introduction de la valeur à risque (VaR), du bénéfice à risque (EaR),
des mesures de performance ajustées en fonction du risque font partie des nombreuses
innovations adoptées dans la pratique.
La gestion actif-passif (Asset and Liability Management ALM) fait référence au

processus par lequel un établissement gère son risque. Les banques et autres institutions
financières fournissent des services qui les exposent à divers types de risques tels que le
risque de crédit, le risque d'intérêt et le risque de liquidité. Une bonne gestion actif-passif
contrôle les risques inhérents à l'entreprise en raison des inadéquations entre les actifs et les
passifs.
1. La ges tion actif -pa ssif :
La gestion actif-passif est une approche qui offre aux établissements une protection qui
rend ce risque acceptable. Si les banques sont en mesure de faire correspondre correctement
leurs engagements aux actifs, il y a alors la possibilité d'améliorer la rentabilité et de bien
gérer le risque.
Fondamentalement, la gestion actif-passif (Asset and Liability Management ALM) est

un moyen pour les institutions financières de faire face aux risques résultant d'une
inadéquation entre les actifs et les passifs.
L’Asset-Liability Management (ALM) désigne « les techniques de maîtrise du

risque de liquidité, de taux et de change sur le périmètre des activités commerciales d’un
réseau bancaire3 ». L’objectif de cette technique c’est de détecter le déséquilibre bilanciel qui
expose la banque aux plusieurs risques et d’apporter des solutions afin de mieux gérer ces
risques particulièrement le risque de liquidité et le risque de taux. Elle est tenue donc de
garantir l’équilibre entre les actifs et les passifs pour que la banque dispose toujours de
ressources qui lui permettent d’honorer ses obligations et d’assumer ses charges.
3
P.DEMEY, A.FRACHOT, G.RIBOULET ; « Introduction à la gestion Actif-Passif Bancaire » ; 2003
Page 8 sur 99
2. Les ob je ctifs de la ges tion actif -pa ssi f :
La gestion actif-passif est au cœur de la gestion de risque bancaire, cette méthode est la
plus simple et la plus communément utilisée. Si l’intérêt global de l’ALM se focalise sur la
gestion des risques afin d’anticiper une liquidité future et estimer ainsi les impasses en
liquidité, son but final diverge selon les différentes visions des auteurs. Néanmoins, nous
pouvons identifier un socle commun de ces visions qui s’entendent sur l’optimisation du
couple rendement-risque. Pour ce faire, certains objectifs sont confiés au département ALM
qui portent essentiellement sur :
- Le pilotage d’équilibre entre les ressources et les emplois au regard des risques sous
contrainte d’un niveau de rentabilité et d’un cadre réglementaire précis.
- Le développement des outils informatiques facilitant la tâche de la modélisation.
- L’analyse et la mesure des risques de liquidité, de taux d’intérêt et de change en

construisant des indicateurs de risques avec leurs interprétations.
- Le contrôle afin de s’assurer de la cohérence entre la gestion des risques et la

règlementation et afin de s’assurer du respect des ratios imposés par les régulateurs
domestiques et internationaux.
- La gestion des risques de liquidité, de taux d’intérêt et de change afin d’optimiser des
stratégies de couverture sur le marché et d’optimiser des stratégies de marge et
d’échéance et d’en tirer une rentabilité
Citons d’autres activités qui peuvent être du ressort de la fonction ALM : par exemple le
département ALM est consulté en développement organique et en acquisition externe pour
analyser et valider les options de modalités de financement, les conditions des projets et les
risques éventuels.
3. Le ris que d e liquidité, s a mesur e et sa gest ion d ans l e ca dre d e la ge st ion a ctif -
pass if :
Au niveau de ses activités, la banque est obligée de prendre des risques, d’en accepter
les conséquences et de mettre en place les moyens afin de les minimiser. Les dernières crises
financières et les faillites des banques ont montré l’ampleur des risques qui menacent le
Page 9 sur 99
secteur bancaire. Vu les conséquences majeures que ces risques peuvent engendrer, la banque
doit donc en faire face.
Ces risques peuvent être classés en risque accepté et maitrisé tel que ; le risque de
crédit, et le risque de marché qui comprend le risque de liquidité, le risque de taux d’intérêt et
le risque de change. Quant aux autres classe de risque, il s’agit des risques subis tels que : le
risque opérationnel, le risque stratégique et le risque de non-conformité.
Page 10 sur 99
Les risques acceptés:
• risque de crédit: risque de perte financière provenant de l'incapacité des clients à

honorer leurs engagements.
• risque de marché: se décompose de trois risques tels que: le risque de taux d'intéret, le
risque de liquidité et le risque de change. Le risque de taux d'intéret est la dégradation
des résultats causée par un mouvement défavorable des taux d'intérêt, le risque de
liquidité se manifeste lors d'un manque de liquidité disponible pour faire face à ses
engagements ou ses échéances et le risque de change est la dégradation des résultats
suite à une évolution défavorable des taux de change, par exemple une baisse des taux de
change peut provoquer une perte de valeur des avoirs libellés en monnaie étrangère, de
même une hausse des taux de change peut générer une hausse de valeur en monnaie
locale des engagements libellés en devises.
Les risques subis:
• risque opérationnel: tel que définit par le comité de Bâle est : "le risque de pertes
provenant de processus internes inadéquats ou défaillants, de personnes et systèmes
ou d'événements externes". Il s'agit par exemple d'une fraude interne ou externe, de
dysfonctionnement des systèmes, de risque lié à l'exécution...
• risque de non conformité : tel que définit par le comité de Bâle I est : " un risque de
sancation judiciaire, administrative ou disciplinaire, de perte financière, d'atteinte
à la réputation, du fait de l'absence de respect des dispositions législatives et
réglementaires, des normes et usages professionnels et déontologiques, ..."
• risque stratégique: c'est un risque lié à la stratégie adoptée par les organes dirigeants de
la banque et qui peut générer une perte économique.
L’ALM est en charge de gérer deux risques majeurs qui ont une grande influence sur le
bilan de la banque à savoir : le risque de liquidité et le risque des taux d’intérêt. Nous nous
intéressons principalement dans ce qui suit au risque de liquidité.
Page 11 sur 99
3.1. Le risq ue de liqu id ité :
Le métier essentiel des banques, c’est de transformer des ressources à court terme en
crédits à long terme, en le faisant les banques sont exposées au risque de liquidité. La crise
financière de 2008 a mis en cause les politiques précédentes visant la gestion des risques
bancaires en général et le risque de liquidité en particulier. Lors de cette crise deux types de
risque de liquidité ont menacé les banques, un risque spécifique qui touche une banque
individuellement à travers le phénomène des ruées bancaires auto réalisatrices 4 (Diamond et
Dybvig, 1983) suite aux informations pessimistes quant à l’état de santé de la banque et puis
quant à l’état de santé du système bancaire mondial ce qui a généré le deuxième type de
risque qui est un risque systémique. C’est par l’effet de contagion que l’ensemble du système
bancaire a été paralysé et le monde a vécu une crise financière qui s’est immédiatement
répercutée sur l’économie mondiale.
En effet, le fonctionnement du marché monétaire interbancaire s’est bloqué car certaines

banques ont accumulé de la liquidité par manque de confiance dans les autres banques. Ceci a
mené à un gel de prêt entre banques et a encore aggravé la situation de liquidité bancaire.
Pour comprendre ce risque de liquidité, il est indispensable de définir la liquidité bancaire.
a) La liquidité ba nca ire :
La liquidité correspond à la capacité de la trésorerie d’une institution financière à faire

face aux flux négatifs provenant de ses obligations envers des tiers. Le concept de la liquidité
se diffère du concept de la solvabilité qui se réfère à la capacité d’une banque de faire face à
ses obligations futures, cependant, ces deux concepts sont complémentaires « Liquidité et
solvabilité sont les deux piliers de l'activité bancaire, souvent impossible à distinguer l'un de
l'autre. Une banque illiquide peut rapidement devenir insolvable, et inversement » 5 . Nous
pouvons distinguer trois types de liquidité : la liquidité Banque Centrale, la liquidité marché et
la liquidité de financement.
4
La ruée bancaire est généralement auto-réalisatrice ; c’est un phénomène selon lequel les clients de la banque
pensent que celle-ci va devenir insolvable et ils retirent leurs dépôts le plus vite possible.
5
« The Boundary Problem in Financial Regulation », Goodhart , 2008
Page 12 sur 99
 La liquidité Banque Centrale :
La liquidité Banque Centrale est la capacité de la Banque centrale à faire face aux besoins
du système bancaire, le risque provenant de ce type de liquidité est nul en vertu du monopole
d’émission qu’elle détient. Dans le cadre de sa politique monétaire, la banque centrale veille à
éviter les situations de déficit ou d’excès dans le système financier et ce, soit en injectant soit
en épongeant de la liquidité.
 La liquidité de marché :
La liquidité de marché représente la liquidité qu’une banque peut obtenir en liquidant

des actifs non monétaire qu’elle détient, par exemple un titre d’investissement acquis à
l’origine pour être détenu jusqu’à l’échéance. Un actif est dit liquide lorsqu’il se négocie sur
un marché liquide. Un marché liquide représente quatre caractéristiques : la largeur de l’écart,
la profondeur, la résilience et l’immédiateté. La première dimension représente l’écart entre le
cours vendeur et le cours acheteur (spread), plus ce spread est étroit plus le coût de
transaction est faible et le marché est dit étroit. La deuxième dimension correspond au volume
des transactions pouvant être exécuté sans impact significatif sur les prix. Quant à la troisième
dimension, à son tour elle reflète la rapidité de retour au prix fondamental suite à une
perturbation au niveau des marchés financiers provoquée par un échange important.
Finalement, l’immédiateté est expliquée par la vitesse d’exécution des ordres.
En conclusion, ces quatre caractéristiques garantissent qu’un actif négocié sur un

marché liquide soit facilement transformé en monnaie cash. En effet, nous pouvons distinguer
deux types de liquidité de marché à savoir : la liquidité de marché interbancaire, sur lequel les
banques se prêtent entre elles moyennant un Taux de Marché Monétaire (TMM) et la liquidité
obtenue grâce à la vente des actifs sur le marché secondaire. Ces deux types de liquidité de
marché constituent pour la banque une source d’approvisionnement en liquidité de
financement, d’où l’interrelation entre la liquidité de marché et la liquidité de financement.
 La liquidité de financement :
Drehmann et Nikolaou (2009) définissent la liquidité de financement ou la liquidité

bancaire comme une situation dans laquelle les banques ont une trésorerie nette positive leur
permettant de répondre à leurs engagements à temps. Une banque est considérée illiquide, si
Page 13 sur 99
elle est incapable d’honorer ses obligations immédiates grâce à ses encaissements tels que les
dépôts.
b) Les fa cteurs d éte rmin ants de la l iqu id it é bancair e :
La littérature a qualifié les déterminants de la liquidité comme étant «l’ensemble des

événements qui affectent la liquidité des banques et les contraignent dans leur distribution de
crédit6». Ces facteurs peuvent être restrictifs lorsqu’ils influent à la baisse sur le volume des
liquidités c'est-à-dire, il s’agit d’une fuite de liquidité, ou bien expansifs lorsqu’ils influent à
la hausse sur le volume des liquidités détenues par les banques c'est-à-dire un flux de
liquidité.
Nous divisons ces facteurs en deux catégories : des facteurs autonomes et des facteurs
institutionnels.
- Les facteurs autonomes : Ce sont les facteurs qui impactent la liquidité bancaire mais
qui échappent au contrôle de l’autorité monétaire, autrement dit que leur évolution est
indépendante de la politique monétaire mais varie selon le contexte et les phénomènes
économiques. Ces facteurs sont étroitement liés aux comportements des agents non
financiers. Ces facteurs peuvent être :
 Des opérations de retraits /dépôts par les agents économiques non financiers : la
demande de retraits qui se traduit par l’usage de billets pèse sur la liquidité bancaire, à
l’inverse, la demande des dépôts qui se traduit pas les versements constituent une
ressource de liquidité pour les banques. Donc la liquidité est affectée par la différence
entre les retraits et les versements de dépôts.
 Achat / vente de devises auprès de la banque centrale : Les opérations de cession et

d’achat des devises effectuées par les banques auprès de la banque centrale impactent
la liquidité bancaire puisqu’elles se concrétisent par crédit ou débit de compte des
banques. Par exemple les excédents des devises cédés à la banque centrale créditent le
compte de la banque par le montant en dinars équivalent au montant cédé en devises,
ce qui améliore la liquidité bancaire et vice vers ça.
6
Sophie Brana et Michel Cazals, « La Monnaie », Edition Dunod 1997.
Page 14 sur 99
 Opérations avec le trésor public : Ces opérations ont une grande influence sur le
volume de la liquidité bancaire puisque « tous les transferts de fonds entre le Trésor et
les banques se répercutent sur leurs comptes auprès de la banque centrale 7 ».
- Les facteurs institutionnels : comme les facteurs autonomes, ces facteurs aussi
influencent la liquidité bancaire. Ce sont essentiellement les réserves obligatoires et la
mobilisation des créances.
 les réserves obligatoires : La réserve obligatoire est un « facteur règlementaire » que

la banque centrale peut gérer selon la situation de la liquidité. Elle oblige les
établissements de crédit à conserver auprès d’elle sous forme de réserve un
pourcentage de leurs dépôts. Le taux de réserve obligatoire constitue un monotoring de
la liquidité bancaire. Afin d’agir sur la liquidité, la banque centrale modifie à la hausse
ou à la baisse le taux des réserves obligatoires. Par exemple, en situation de
surliquidité, une hausse de taux par la banque centrale provoquerait une ponction de la
liquidité de manière à neutraliser la résistance des réserves excédentaires des banques.
A l’inverse, en une situation d’illiquidité une baisse de taux provoquerait une injection
de la liquidité.
 La mobilisation des créances : c’est un moyen qui permet aux banques de constituer
de la liquidité tout en cédant des actifs à la banque centrale.
c) La te chn iqu e de titr isa tio n :
Pour de nombreuses banques, la titrisation constitue une source de liquidité. La

titrisation est une technique qui consiste à transformer les crédits d’une banque en titres de
créances par le passage à travers une société ad hoc 8 , donc la créance est transférée aux
investisseurs. Le but derrière, c’est que les actifs transformés en titres deviennent plus liquides
et comportent un risque de crédit moindre, du fait que le risque est reporté sur un plus grand
nombre d’investisseurs, en cas de choc il sera mieux absorbé puisqu’il est diversifié.
Un autre avantage de cette technique pour la banque, est qu’elle n’a pas à porter les
crédits c'est-à-dire, elle s’en débarrasse et les sort de son bilan, dans ce cas elle ne serait pas
7
Sophie Brana et Michel Cazals, « La Monnaie », Edition Dunod 1997.
8
Selon le règlement 99-02, une société ad hoc est « une structure juridique distincte, créée spécifiquement pour
gérer une opération ou un groupe d’opérations similaires pour le compte d’une entreprise »
Page 15 sur 99
obligée de constituer un capital en réserve en cas de difficultés de remboursement pour

respecter les règles prudentielles. Malgré les avantages que présentent cette technique, cette
dernière a été le déclencheur de la fameuse crise financière de 2008.
La raison pour laquelle le choc, au lieu d’être amorti, il a été amplifié, c’est qu’avec la
titrisation la vigilance de la banque sur la capacité des ménages à rembourser leurs crédits a
été moins importante. Elles ont fait de la quantité sans pour autant être regardantes sur la
qualité et ceci en construisant des paquets de crédits subprime dans le sens où le risque de
défaillance de ce paquet supposé être inférieur à ceux des emprunts pris un par un.
Dès que les ménages risqués commencent à trouver des difficultés à rembourser leurs
crédits, les prix des créances titrisées (ABS, RMBS, CMBS, CDO) ont chuté, ce qui a conduit
les investisseurs à une défiance envers l’ensemble de ces titres et la fermeture de plusieurs
fonds qui ont investi en ABS tels que : Oddo, BNP…
Suite à ces évènements les banques ont provisionné massivement des dépréciations de
valeur de leurs actifs, suivis par une quasi fermeture du marché interbancaire et du marché
obligataire, chose qui a poussé toutes les banques à se tourner vers la banque centrale qui a
agi à plusieurs niveaux en abaissant les taux directeurs, en injectant de la liquidité, en tournant
aussi vers les mécanismes non conventionnels par l’achat direct de certificat de dépôts…
d) L’inte rméd iatio n ban caire et l e ris que d e liqu id it é :
La fonction de l’intermédiation bancaire expose les banques au risque de liquidité. Les

banques ont généralement pour fonction première la transformation des passifs liquides (à
court terme) en actifs illiquides (comme les crédits à long terme) ce qui les rend naturellement
vulnérables au risque de liquidité. L’activité d’intermédiation se traduit donc nécessairement
par une transformation d’échéances, et rend l’ajustement entre les actifs et les passifs une
tâche difficile .En effet, le risque de liquidité peut être défini comme le non disposition des
fonds nécessaires pour répondre à des engagements au temps t, ce risque provient
essentiellement de l’incertitude quant à la sortie de fonds qui dépend d’événements externes
ou du comportement de tierces parties.
La situation de trésorerie d’une banque est basée ultimement sur la confiance celle des
contreparties et des déposants envers l’établissement financier en question. Le manque de
Page 16 sur 99
liquidité d’une institution peut se propager du risque de liquidité de financement

idiosyncratique au risque de liquidité de marché systémique. Le risque de liquidité de
financement idiosyncratique peut être provoqué par des évènements endogènes par exemple
un problème déclenché par un risque opérationnel qui peut toucher à sa réputation et peut
avoir des conséquences systémiques en passant d’une ruée individuelle à une panique
bancaire.
Donc le risque de liquidité bancaire peut se propager soit par le canal du marché
interbancaire lorsqu’une faillite individuelle peut conduire à un rétrécissement général de
liquidité, soit par le canal du marché des actifs lorsque les banques sont contraintes de s’y
procurer de la liquidité, mais moyennant des ventes à « prix cassés », ceci peut conduire à une
baisse des prix des actifs provoquant une situation d’illiquidité de marché.
Pour comprendre la spécificité du risque de liquidité auquel font face les banques, il est
indispensable de rappeler les différentes postes d’un bilan bancaire.
Nous trouvons au passif quatre grands postes :
- Les fonds propres et les provisions ;
- Les transactions des titres, telles que les emprunts émis sur le marché des capitaux ;
- Les ressources provenant de la clientèle, à savoir les dépôts ;
- Les emprunts auprès de la banque centrale et les autres établissements de crédits.
Au niveau de l’actif, nous pouvons de même distinguer quatre catégories :
- Les réserves et les dépôts auprès des établissements de crédit ;
- Les crédits octroyés à la clientèle ;
- Les opérations sur titres détenus par les banques pour leur compte ;
- Les valeurs immobilières ;
Les fonds propres de la banque se financent soit par des emprunts sur le marché
interbancaire, soit par les dépôts de leurs clients, soit en dernier ressort auprès de la banque
Page 17 sur 99
centrale. Une partie non négligeable des dépôts est constituée par les dépôts à vue c'est-à-dire
les dépôts qui peuvent être retirés à tout moment. Dans le cas d’une panique bancaire, le
retrait massif de ces dépôts concrétise sans coup férir le risque de liquidité dont l’histoire de
l’Argentine, 2003 et la crise de 2008.
Afin d’éviter tout décalage de besoin de financement qui exposerait la banque à un

risque de liquidité, il est recommandé de faire correspondre à des actifs d’une maturité donnée
des passifs de même maturité, hors ce principe prudentiel est mis en échec pour le cas d’une
banque. Pire, le respecter reviendrait à supprimer l’objectif et la raison d’être du système
bancaire qui est la création de richesse, pour une banque l’exposition au risque de liquidité est
une source de rentabilité. Le risque est omniprésent dans les activités bancaires, en en faisant
même une matière première. Donc, pour pouvoir prendre ce risque tout en minimisant les
dégâts, il est important de le mesurer afin de mieux le gérer.
3.2. La mesur e et la ges tio n du ris que d e li quid it é en ALM :
Tant que l’équilibre d’un bilan bancaire n’est pas assuré dans le futur, il existe ainsi un
risque de liquidité généré d’un décalage entre les actifs et les passifs. L’impasse de liquidité
constitue le principal indicateur de mesure de l’écart entre les emplois et les ressources à une
date ultérieure. Il faut noter que cette impasse est calculée en se projetant dans l’avenir
puisqu’à une date donnée l’équilibre du bilan est réalisé en permanence.
L’impasse peut être exprimée en flux ou en stock, en stock en calculant la différence

entre les passifs et les actifs à une date donnée, en flux en se basant sur la différence entre les
variations d’encours à l’actif et au passif sur une période.
Impasse En Stock (t) = Σ Encours Passif (t) – Σ Encours Actif (t)
Impasse en Flux (t, t+1) = Σ Tombées Actifs9 (t, t+1) – Tombées Passifs10 (t, t+1)
- Impasse > 0 : excédent de ressources
- Impasse < 0 : besoin de ressources
9
Entrées de fonds
10
Sorties de fonds
Page 18 sur 99
Dans le premier cas qui est caractérisé par un manque d’emploi, la marge nette d’intérêt
sera négative, à l’inverse un défaut de liquidité met la banque en risque de défaut de paiement.
Dans ce cas, la banque sera obligée de se financer sur le marché interbancaire au taux de
marché, une autre source de liquidité pour une banque est l’accès au marché de capitaux : ceci
dépend notamment, de la notoriété de la banque, de sa taille, de la qualité de ses
actionnaires…
Les impasses peuvent être soit statiques soit dynamiques. Au niveau de l’impasse
statique, l’agrégation se fait sur la base de l’ensemble des opérations déjà présentes dans le
bilan en date d’analyse. En ce qui concerne les impasses dynamiques, elles sont construites en
ajoutant à cet ensemble des hypothèses d’activités sur les années à venir, généralement deux à
cinq ans.
L’impasse en liquidité est présentée sous forme d’un tableau qui classe les emplois et
les ressources de la banque ou bien mesurer les décalages prévisionnels suivant les durées
restantes pour pouvoir calculer les différences dans le futur entre les actifs et les passifs et
savoir leur échéancier de liquidité. L’échéancier de liquidité permet de répertorier l’évolution
du capital restant dû pour le cas d’un crédit et l’encours pour le cas d’un dépôt.
Exemple :
Imaginons pour une banque qu’un client a déposé 100 sur un plan d’épargne bloqué
d’horizon 2 ans. Par ailleurs, cette même banque a prêté à un autre client 100 qu’il va les
rembourser en totalité (remboursement in fine) au terme de 4 ans. En ignorant l’effet des taux
d’intérêt, le bilan de la banque est équilibré à la date 0, c'est-à-dire, à la date de l’octroi de
crédit.
Tab lea u 1. Actif pa ssi f de la b anq ue à l a date 0
Actif Passif
100 100
Dans cet exemple, le prêt s’amortit in fine à la fin de la quatrième année, alors que le
passif s’amortit sur 2 ans.
Page 19 sur 99
Fig ure 1. P rése ntation de l'acti f et le p assi f sur les q ua tre an née s
0 1 2 3 4 5
passif actif
Source : Auteur
Nous remarquons d’après ce graphique que lorsque nous faisons la différence, nous
obtenons les deux années des battons bleu (actif) qui ne sont pas couverts par les battons en
rouge (passif). Cette différence nous renseigne sur un déséquilibre entre un actif et un passif,
dans le sens où, la banque pendant deux années, aura un actif sans passif à mettre en face.
Dans ce cas, la banque s’exposera à un risque de liquidité sur la période allant de +2ans à
+4ans et elle devra emprunter 100 dans deux ans pendant deux ans.
Dans le cas où les dates et les montants d’un produit sont connus d’avance, on parle
d’un échéancier de liquidité contractuel et le problème de risque de liquidité ne se pose pas
puisque la banque peut mesurer avec certitude les impasses d’avance et chercher la liquidité
dans le cas d’un excédent d’actifs. Cependant, il existe des échéanciers conventionnels établis
suivant des échéanciers modélisés à partir des données historiques tels que les dépôts à vue.
En pratique, les échéanciers des actifs sont généralement contractuels mais il arrive dans
certains cas qu’un client peut modifier l’allure de l’échéancier de son prêt en faisant un
remboursement anticipé, nous parlons alors des options cachées.
Page 20 sur 99
Fig ure 2. Evo lution d u ca pit al re sta nt s ans remb ours emen t ant icipé
120
100
80
60
40
20
0
1 2 3 4 5 6 7 8 9 10 11
Source : l’auteur
Fig ure 3. Evo lution d u ca pital re sta nt d û lorsq u'i l y a rembo ursem ent a nti ci pé
120
100
80
60
40
20
0
1 2 3 4 5 6 7 8 9 10 11
 Ecoulement en liquidité :
La fonction d’écoulement en liquidité a pour objectif de déterminer comment les actifs

et les passifs existants dans le bilan de la banque à la date t disparaissent au fil du temps. Pour
ce faire, il faut tout d’abord analyser l’échéancier des actifs et des passifs que la banque
disposent, et distinguer ceux qui ont un échéancier contractuel et ceux qui ne l’ont pas. Par
ailleurs, certaines ressources ou emplois n’ont pas d’échéancier contractuel et leur
présentation dans l’impasse exige la construction d’un échéancier. En effet, la loi
d’écoulement peut être soit contractuelle si l’échéancier est contractuel, soit conventionnelle
si l’échéancier est conventionnel. Dans le cas où l’échéancier est incertain, son obtention
Page 21 sur 99
repose sur la modélisation du comportement de la clientèle pour attribuer une échéance à un

poste sans échéance comme le cas pour les dépôts à vue.
La vitesse d’écoulement est fonction de :
- Les caractéristiques et le comportement des clients ;
- La politique commerciale adoptée par la banque ;
- La conjoncture économique ;
- La concurrence et le marché ;
La mesure de risque permet non seulement la projection anticipée de la liquidité, mais

aussi la simulation des stress tests. Les simulations des stress tests ont été exigées par le
comité de Bâle. C’est un exercice consistant à faire des scénarii caractérisés par des
conditions financières extrêmes et plausibles mais hypothétiques. Parmi les hypothèses de
stress tests nous pouvons citer :
- Retrait massif des dépôts à vue.
- Dégradation de la notation de la banque.
- Fermeture des marchés monétaires et obligataires…
3.3. Les so urces du risqu e de liqui di té :
Le risque de liquidité pour la banque se traduit par l’incapacité de celle-ci de lever les
fonds nécessaires pour couvrir des besoins immédiats. La matérialisation de ce risque peut
survenir soit à l’occasion d’un mimétisme comportemental des déposants suite à l’état de
santé du système bancaire ou suite à une évolution défavorable d’une ou plusieurs variables
macroéconomiques, soit à un tirage maximal des engagements en hors bilan, soit à la
prédominance des dépôts à échéance incertaine caractérisés par des retraits aléatoires.
Page 22 sur 99
En effet, le risque de liquidité s’articule autour de trois principes11 :
- Funding risk : c’est le risque associé à l’impact sur les flux de trésorerie en raison du
manque de fonds disponibles qui peut être engendré par un retrait massif des dépôts à
vue.
- Time risk : ce risque peut se manifester lorsqu’une banque ne peut pas réaliser une
entrée de fonds pourtant attendue. Le bon exemple traduisant ce cas de figure est
l’incapacité de remboursement d’un emprunt par un client.
- Call risk : c’est le risque lié à l’obtention de nouvelles ressources.
4. Cadre r èglemen taire :
D’après ce qui a été décrit précédemment, nous concluons qu’à l’instar du risque de
contrepartie, le risque de liquidité est inhérent à l’activité de transformation de la banque. Il
résulte du fait que la banque pour gagner plus, elle aura toujours une maturité des emplois
plus longue que celle des ressources.
Ainsi la crise de 2008 a mis en lumière un certain nombre de faiblesses au sein du cadre
règlementaire du système financier. Pour y remédier, les documents consultatifs du comité de
Bâle de Juin 2008 consacrent une grande importance aux principes de la gestion du risque de
liquidité dans les établissements bancaires destinés à améliorer notablement la résilience des
banques face aux chocs.
Dans ce monde extrêmement complexe où les risques bancaires ne peuvent être prédits
qu’avec une marge d’incertitude. Dans ce contexte, le comité définit une politique de risques
visant à la fois la protection du capital de la banque et sa capacité à faire face aux pires
évènements. Au niveau d u chapitre « Principles for the Assessment of Liquidity
Management in Banking Organisations » nous trouvons quelques indicateurs qui peuvent
être utilisés et calculés lors de la mise en œuvre d’une gestion actif-passif.
A cette fin, deux nouveaux ratios ont été définis au niveau de ce chapitre : le ratio de
liquidité long terme (NSFR) et le ratio de liquidité court terme (LCR). Le ratio LCR
11
Harrington R. L. “Asset and Liability Management by banks”, Organization for Economic Cooperation and
Development
Page 23 sur 99
(« Liquidity Coverage Ratio ») a été établi pour que les banques prennent en considération les
éventualités qui apparaissent des asymétries entre les entées et les sorties pendant 30 jours et
s’assurent que suffisamment d’actifs liquides sont à la disposition de la banque pour couvrir
ces éventuelles asymétries.
LCR=Ratio – de – liquidité = ≥ 100%
Cette norme indique que l’encours d’actifs liquides de haute qualité 12 doit être au moins
égal aux sorties nettes de trésorerie pendant les 30 jours suivant la date d’arrêté du calcul
du ratio.
Le NSFR (« Net Stable Funding Ratio »), caractérisé d’un ratio de long terme qui vient
de compléter le ratio LCR. Ce ratio a pour objectif de garantir la capacité de la banque à
résister face à une crise idiosyncratique. Il assure pour la banque un financement stable lui
permettant de continuer ses activités tout en se mettant alaise pendant une année dans un
scénario de pression. Pour ce faire, il faut que la banque dispose d’un montant des ressources
stables et disponibles plus que le montant des besoins en ressources stables.
NSFR = ≥ 100%
La réglementation Bâle III impose aux banques, en plus du respect du ratio LCR et du
ratio NSFR, d’anticiper des situations de crise à l’aide de la réalisation d’un stress test
simulant des chocs pouvant provoquer de fortes pressions sur la liquidité comme des retraits
sans annonce préalable d’une partie importante des dépôts et surtout des dépôts à vue qui sont
caractérisés par la possibilité donné à leurs détenteurs de retirer leurs fonds à tout moment.
5. Le co nte xte Tun isien :
Le secteur bancaire Tunisien est entrain de vivre un spectre d’assèchement de liquidité

qui ne cesse de planer depuis une décennie. Cette situation est due essentiellement aux
12
Actifs Liquides de Haute Qualité ALHQ sont des actifs qui sont liquides en permanence c'est-à-dire même en
période de tension. Ces actifs se décomposent en actifs de niveau 1 et actifs de niveau 2. Les actifs de niveau 1
sont composés des réserves auprès de la banque centrale et des titres négociables garantis par des émetteurs
souverains (Etat) ou des banques centrales. Les actifs de niveau 2 sont eux même décomposés en deux niveaux :
2A et 2B. 2A comme par exemple, des obligations sécurisés, 2B tel que des titres adossés à des prêts
hypothécaires.
Page 24 sur 99
opérations de pompage menées par l’Etat, pour qu’il puisse répondre à ses besoins de
financement.
Par ailleurs ce manque de liquidité sera refinancé auprès du dernier ressort qui est la
Banque Centrale, le montant de refinancement a suit une tendance haussière depuis Janvier
2015 jusqu’à nos jours. Le graphique ci-dessous montre l’évolution de refinancement qui peut
être expliqué par un manque de liquidité au niveau du secteur bancaire Tunisien.
Fig ure 4. Evo lution du v olum e glo bal d u refi nan cemen t moye n
18 000
16 000
14 000
12 000
10 000
8 000
6 000
4 000
2 000
0
oct.-15
oct.-16
oct.-17
oct.-18
oct.-19
janv.-15
janv.-16
janv.-17
janv.-18
janv.-19
avr.-15
avr.-16
avr.-17
avr.-18
avr.-19
juil.-15
juil.-16
juil.-17
juil.-18
juil.-19
Source : BCT
Dans un contexte d’assèchement de liquidité, nous rappelons que les banques

Tunisiennes ont ainsi été invitées à respecter graduellement le ratio de liquidité de court terme
LCR exigé par le comité de Bâle III et instauré par la BCT au niveau de la circulaire 2014-14
du Novembre 2014.
La graduation à respecter était comme suit :
- Au 01/01/2015 => min 60%
- Au 01/01/2016 => min 70%
- Au 01/01/2017 => min 80%
Page 25 sur 99
- Au 01/01/2018 => min 90%
- Au 01/01/2019 => min 100%
Face aux pressions persistantes sur la liquidité du secteur bancaire Tunisien, amenant la
Banque Centrale à un effort croissant de refinancement, la circulaire 2018-10 du 1er
Novembre 2018 a instauré un nouveau ratio de transformation :
LTD = Crédits / Dépôts
Ce ratio vise à inciter les banques à assurer une bonne maitrise du risque de
transformation d’échéances en assurant une meilleure adéquation entre les ressources et les
emplois. Ladite circulaire stipule que les banques qui disposent un ratio se situant à un niveau
supérieur à 120% à la fin d’un trimestre donné, doivent prendre les mesures nécessaires pour
réduire leur ratio.
Page 26 sur 99
SECTION II. L’enjeu des dépôts a vue en gestion actif -passif : étude
bibliographique
Vu ce qui a été décrit ci-dessus, nous pouvons conclure que le comportement de la

clientèle des banques joue un rôle crucial et décisif dans la gestion de la liquidité d’un
établissement bancaire. En effet, un changement au niveau du comportement des clients peut
bouleverser la stabilité financière d’une banque et même d’un effondrement de tout le système
bancaire et financier. C’est pour cette raison qu’une étude du comportement de la clientèle
sera indispensable pour une bonne gestion de la liquidité.
En effet, le problème majeur qui concerne le comportement de la clientèle réside au

niveau des ressources non échéanciers, telles que les dépôts à vue qui sont caractérisés par un
retrait aléatoire pouvant nuire à l’équilibre financier d’une banque. La menace accrue d’une
défaillance suite à ce risque ont exigé le renforcement du filet de sécurité des banques à
travers une modélisation adéquate des dépôts à vue, dans le but de constituer un échéancier
prévisionnel. Au niveau de cette section, nous allons définir l’enjeu des dépôts à vue en
gestion actif-passif et ce qui a été abordé par la littérature concernant ce sujet.
1. L’e nje u des d épô ts à vue e n ges ti on act if -p ass if :
Schématiquement, la banque emprunte sur des périodes courtes auprès de ceux qui ont
un excès de liquidité afin de prêter sur des périodes plus longues à ceux qui demandent un
financement. Cette schématisation permet de mettre à jour les deux plus importants postes du
bilan bancaire : les dépôts et les crédits. Or, certains ne sont pas échéanciers.
Les prêts aux particuliers et les dépôts de la clientèle s’écoulent de manière très variée.
Certains de ces écoulements tels que les dépôts à vue nécessitent une modélisation statistique
du comportement des clients pour bien maitriser le risque de liquidité et le risque de taux de la
banque. L’incertitude quant au moment et au montant des flux des dépôts à vue futurs
constitue un problème important pour la gestion du risque des positions de compte non
échues.
La modélisation des dépôts et des passifs non échus est une tâche cruciale pour la
gestion de la liquidité d'une institution financière. Elle est devenue encore plus cruciale dans
Page 27 sur 99
l'environnement actuel après la crise de liquidité qui a affecté le marché monétaire en

2008/2009 et la crise du COVID-19 actuellement vécue.
Généralement, les départements ALM des banques, impliqués dans la gestion des
risques de taux d'intérêt et de liquidité, sont confrontés à la tâche de prévoir les volumes de
dépôts, afin de concevoir et de mettre en œuvre des stratégies de liquidité conséquentes.
En outre, les comptes de dépôt représentent la principale source de financement de la

banque et ils contribuent fortement au financement disponible à chaque période pour l'activité
de prêt. Parmi les différentes sources de financement, les dépôts qui ont des coûts inférieurs.
Les contrats de dépôt à vue ont en effet la particularité de ne pas avoir d'échéance
prédéterminée, puisque le détenteur est libre de retirer la totalité du montant à chaque fois.
Ainsi le risque de liquidité pour la banque résulte de l’inadéquation entre les structures
par terme des actifs et des passifs du bilan de la banque, les passifs étant majoritairement
constitués d’éléments non échus et l’actif par des placements à long terme (tels que les prêts
hypothécaires).
2. La modé lis ation d es dé pôts à vue ex is t ants : é tud e bi bli ogr aph iqu e :
L'accord Bâle II publié par le Comité de Bâle sur le contrôle bancaire (CBCB) souligne
l'importance de modéliser les taux et les volumes de dépôt afin de prendre en compte avec
précision le risque de liquidité et le risque de taux d’intérêt dans le portefeuille bancaire. La
gestion du risque de liquidité dans le cadre de la gestion actif-passif dépend en grande partie
des mouvements futurs de chaque poste de bilan et de son écoulement au fil du temps. La
tâche apparait très facile pour les postes de bilan qui ont une échéance contractuelle. Le
problème se pose pour le poste d’échéance incertaine, ces postes constituent une entrave pour
la mesure du risque de liquidité.
Etant donné que l’ampleur du risque de liquidité dépend de l’échéancier des opérations
présentes dans le bilan de la banque, il convient de comprendre dans un premier temps, le
comportement et la dynamique des dépôts à vue dans un environnement influencé par
l’environnement du marché et dans un deuxième temps, les différents modèles qui permettent
à travers une bonne estimation des dépôts à vue prédire l’écoulement des encours.
Page 28 sur 99
La modélisation des postes non échéanciers et plus précisément des dépôts à vue est
devenue parmi les préoccupations majeures, nous présentons par la suite, les courants de
recherche y afférant et les différents modèles.
2.1. Etud e bibliogr aph iqu e :
Afin de développer des modèles capables de capturer correctement la dynamique des

dépôts à vue, il est important de comprendre comment les produits de dépôts à vue des
banques sont influencés par l'environnement concurrentiel. Neumark et Sharpe (1992) sont
parmi les premiers à étudier comment les taux de dépôt proposés par les banques sont
influencés par l’environnement du marché.
Les auteurs trouvent que les banques situées sur des marchés concentrés sont plus
rigides dans l'augmentation des taux de dépôt, c'est-à-dire qu'elles réagissent différemment à
la hausse des taux d'intérêt du marché, tout en étant plus réactives à la baisse des taux de
dépôt en réponse à la baisse des taux d'intérêt du marché (Neumark et Sharpe, 1992). Ce
comportement peut être considéré comme un pouvoir exercé par les banques sur le marché,
permettant aux banques de maximiser l'écart entre les taux de dépôt offerts et les taux d'intérêt
du marché, ce qui à son tour améliore leurs bénéfices. Cette sorte de concurrence imparfaite
est attribuée au fait que les clients, c'est-à-dire les déposants, sont confrontés à des frais de
recherche et de transfert, ce qui les empêche de transférer leur argent vers d'autres banques
(Neumark et Sharpe, 1992).
Les conclusions de Rosen (2007) appuient la conclusion de Neumark et Sharpe (1992)

selon laquelle les banques profitent de l’absence d’information chez les clients lors de la
fixation du taux de dépôt. En effet, Rosen (2007) constate que les grandes banques ont
généralement tendance à offrir des taux de dépôt inférieurs à ceux des petites banques. Donc
selon Rosen (2007), la structure de la taille du marché et la taille de la banque ont un effet
plus grand sur les taux de dépôt offerts par les banques que la concentration du marché.
Vu l’impact du taux d’intérêt de marché sur le comportement des déposants et le

volume des dépôts dans les banques, cette variable a été introduite par maints chercheurs dans
leurs modèles des dépôts à vue.
Page 29 sur 99
Pour répondre aux problèmes de liquidité et de taux de rémunération liés aux dépôts à
vue, la démarche envisagée consiste à élaborer l’écoulement des ressources à vue, en se
basant sur une modélisation statistique de l’encours des dépôts qui n’ont pas d’échéance.
Cette modélisation permettra par la suite de déterminer des conventions d’écoulements et
pouvoir finalement mesurer le risque de taux et de liquidité sur l’ensemble du bilan. Nous
passons d’abord à présenter les différents modèles de la littérature avant de présenter les
résultats des modélisations que nous avons retenus au niveau du deuxième chapitre.
2.2. Les modè les f our nis p ar la littéra tu re :
Le développement des premiers modèles d’évaluation des dépôts à vue est apparu dans
les années 90. Des recherches académiques et des techniques ont été appliquées à la
modélisation des dépôts à vue générant des équations qui lient l’évolution des taux et des
volumes des dépôts que nous allons les présenter par la suite par ordre chronologique.
Ces méthodes sont basées essentiellement sur la valorisation des dépôts, en absence
d’une valeur de marché observable, l’estimation d’un actif économique par l’actualisation des
flux est une méthode répandue. Pour un actif avec une échéance bien déterminée, le calcul
d’actualisation est une tâche très facile. En revanche, pour les dépôts à vue qui n’ont pas des
échéances prédéterminées, cette approche simple se confronte à plusieurs contraintes. Donc,
la plupart de ces modèles prennent en considération la dynamique de l’encours de dépôt ou de
sa variation. La dynamique en delta d’un modèle autorégressif d’ordre 1 met en relation
l’encours des dépôts à une date donnée et l’encours à la date précédente.
Citons à titre d’exemple plusieurs approches proposées de modélisation de l’encours des

dépôts à vue.
2.2.1 . Le mo dèle Se lva ggio (1996 ) :
Le modèle de Selvaggio est l’un des premiers modèles de l’évolution des encours des
dépôts à vue. Le modèle proposé par Selvaggio vise la détermination de l’encours cible des
dépôts à vue D* qui dépend des variables macroéconomiques Yk (ces variables peuvent être le
taux de croissance du PIB, la masse monétaire…) autres que le taux d’intérêt R k, c'est-à-dire
les encours qui devraient normalement être atteints étant donnés le taux d’intérêt et le niveau
des variables macroéconomiques qui devraient influencer l’encours des dépôts à vue :
Page 30 sur 99
Log D* = α1 + α2 log Rk + α3 log Yk
Dans son modèle, Selvaggio suppose que l’encours des dépôts réels converge vers
l’encours des dépôts cible avec une vitesse d’ajustement constante λ. Pour se faire, il
développe l’équation suivante :
Log Dk – Log Dk-1 = λ (log Dk*- Log Dk-1)
Nous obtiendrons donc le modèle suivant :
Log Dk = (1- λ) log Dk-1 + λα2 log Rk + λα3 log Yk + λα1
Selvaggio a introduit dans son étude des données mensuelles, l’équation qu’il a estimée
est représentée comme suit :
Log Dk = α0 + α1 log Dk-1 + α2 log Rk + α3 tk + ∑ αi monthi-3
Où monthi-3 est une variable qui prend en compte l’effet de la saisonnalité au niveau de
la série étudiée, cette variable prend 1 si le mois de la valeur de l’encours des dépôts à vue
expliqué est le i-3ème mois de l’année et 0 dans le cas contraire.
Mis à part l’effet de la saisonnalité, la spécification de la variable log Yk a pris la forme

d’une tendance linéaire tk. Cela peut être justifié par le fait que les agrégats économiques
utilisés sont eux même fonction linéaire du temps.
Le modèle estimé par Selvaggio avec des données désaisonnalisées se présente comme
suit :
Log Dk = α0 + α1 log Dk-1 + α2 log Rk + α3 tk
2.2.2 . Le mo dèle Dupr é (1996) , Jar ro w et Van Deven ter (1 998) :
Dupré a développé un modèle en temps continu dans lequel, il a mis en relation

l’encours des dépôts à vue avec le niveau des taux d’intérêt :
Log Dt – log Dt-1 = (α – βrt). dt
Où α représente une tendance moyenne du comportement de la clientèle, et β représente

l’évolution de l’encours des dépôts suite aux changements du niveau des taux court r. Ce
Page 31 sur 99
modèle est bien réputé parce qu’il fournit des coefficients interprétables financièrement et il
donne une formule explicite qui permet la valorisation des dépôts à vue. Au niveau de ce
modèle, une augmentation des taux encourage les investisseurs de placer leur argent sur un
produit financier que de les placer dans un compte bancaire non ou faiblement rémunéré.
Le modèle de Dupré est formulé d’une façon continue. Il est essentiel de le discrétiser
afin de pouvoir estimer ses paramètres. Sous l’hypothèse qui stipule que α et β sont constants,
ne dépendant pas donc du temps, Dupré intègre l’équation du modèle sur un pas de temps δ et
l’équation devient :
Yk = Log Dk+1 – log Dk = ∫ βrt) dt = δ - β∫ t dt (1)
Dupré a utilisé aussi une formulation discrète pour les taux court qu’on notera Rk :
Rk = ∫ = ∫ (2)
Les deux équations (1) et (2) nous donnent :
Log Dk+1 – log Dk = δ – β δ Rk (3)
Nous supposons de nouveaux paramètres et nous obtenons l’équation suivante :
Log Dk+1 – log Dk = ᾶ - βRK
Avec Rk représente le taux du marché financier.
Le modèle développé par Jarrow, Van Deventer (1998) ajoute une dépendance au temps
et à la variation des taux d’intérêt. Ce modèle est basé sur une hypothèse de segmentation du
marché dans lequel il n’existe que deux types d’intervenants : les institutions financières et les
déposants. Ce modèle repose essentiellement sur l’hypothèse selon laquelle l’information au
niveau du marché est suffisante pour que les déposants soient capables de faire l’arbitrage
placement-épargne.
Dans ce cadre, Jarrow et Van Deventer ont estimé le modèle suivant :
Log Dk – log Dk-1 = α1 + α2tk + α3rk + α4 (rk – rk-1)
Page 32 sur 99
Où tk est une tendance linéaire du temps représentant les variables macroéconomiques.
Ce modèle est généralement utilisé pour les dépôts non rémunérés.
Nystrom (2008) prolonge les travaux de Jarrow et van Deventer (1998) en développant des
modèles spécifiques pour le taux de dépôt et le volume de dépôt. Le modèle de taux de dépôt
proposé par Nystrom (2008) est en mesure de saisir comment le taux de dépôt offert est
affecté par les banques qui favorisent les clients qui déposent des sommes importantes. En
outre, le modèle de volume de dépôt proposé par Nystrom (2008) est capable de capturer les
différences dans le comportement des clients. L’exhaustivité des modèles proposés par
Nystrom (2008) pour le taux de dépôt et le volume de dépôt rend les modèles nettement plus
complexes que ceux proposés par Jarrow, Van Deventer (1998), et par conséquent plus
difficile à mettre en œuvre dans la pratique.
2.2.3 . Modè le Office o f Thr ift Supe rvi si on 13 (OTS, 2001) :
A partir de l’année 2000, de nouveaux modèles sont développés. Le modèle OTS est
l’un de ces modèles. Ce dernier repose principalement sur la conception de la non-linéarité.
Le modèle s’écrit :
Dk = Dk-1 (a + b * actan (d + c (ik/rk)) + e * ik) 1/12
Ce modèle se différencie des autres décrits ci-dessus par la distinction entre le taux de
rémunération et le taux de marché, il met l’accent sur l’ajustement asymétrique des taux de
rémunération des dépôts par rapport aux taux de marché, c'est-à-dire lorsque les taux de
marché baissent, les taux de rémunération des dépôts baissent relativement vite, tandis que si
les taux de marché augmentent, les taux de rémunération des dépôts augmentent plus
lentement.
Nous remarquons que pour des dépôts non rémunérés (i k=0) la formule nous ramène à
un modèle simpliste où il considère que le taux de croissance α de l’encours des dépôts est
constant et le problème d’estimation est présenté par la détermination de α = .
13
L’Office of Thrift Supervision est le premier régulateur fédéral US des « savings associations » qui incluent
les « federal savings banks » ainsi que les « savings and loans ».
Page 33 sur 99
Le modèle se présente par la simple équation suivante :
Dk = Dk-1 * α
2.2.4 . Le mo dèle O’brien (20 00) :
La modélisation de O’brien (2000) prend en considération les dépôts à vue qui sont
rémunérés, puisqu’il fait la distinction entre le taux de rémunération et le taux de marché.
Ainsi, ce modèle prend en compte l’asymétrie des taux de dépôts par rapport au taux de
marché, c'est-à-dire lorsque le taux de marché baisse, le taux de rémunération suit vite cette
tendance baissière, et lorsque le taux de marché augmente le taux de rémunération le suit mais
à une vitesse lente.
Dans ce contexte, O’brien estime le modèle suivant :
Log Dk = α1 + α2 (Rk – ik) + α3tk + α4 log Dk-1
Où Dk, Rk, ik et tk représentent respectivement l’encours des dépôts à vue à l’instant k, le taux
de marché, le taux de rémunération des dépôts. Ce modèle étudie seulement les dépôts à vue
rémunérés qui peuvent être les comptes d’épargne libre.
2.3. La fon ction d ’é cou lemen t :
Après avoir présenté les différents modèles qui peuvent expliquer les dépôts à vue
rémunérés et non rémunérés, le modèle le plus ajusté sera retenu au niveau du deuxième
chapitre et ceci à l’aide des outils statistiques. La finalité de la modélisation des dépôts à vue
est la détermination de leur écoulement, au niveau de cette étape, il est indispensable pour une
banque de calculer la partie des dépôts qu’elle considère stable dans son stock et la partie
volatile qu’elle doit gérer pour la pérennité de sa liquidité.
2.3.1 . La d éte rmin ation de la par tie sta ble e t de la p art ie vo la ti le des DAV :
Pour quantifier la partie stable et la partie volatile du stock bancaire des DAV, il est
nécessaire de calculer le coefficient de variation de la série des encours sur la durée étudiée.
Le coefficient de variation se calcule comme suit :
CV =
Page 34 sur 99
Avec :
- σD : représente l’écart type des encours.
- D : représente la moyenne des encours.
Nous pouvons alors déduire la partie stable (PS) et la partie volatile (PV) comme suit :
- PS = 1 – CV
- PV = CV
2.3.2 . Pré sen ta tio n des conv ention s d’é cou leme n t :
A une date ultérieure, un déséquilibre entre actifs et passifs peut être crée engendrant
ainsi un besoin de refinancement dans le cas où les emplois excèdent les ressources. Dans le
cas contraire, le déséquilibre mène à un placement. Une incertitude concernant l’écart futur
peut provoquer une mauvaise appréhension de la liquidité de l’établissement de crédit.
Cette problématique devient donc une préoccupation majeure pour une banque. Afin de
pouvoir répondre convenablement à cette problématique, il est primordial pour elle d’évaluer
la façon avec laquelle ses actifs et ses passifs vont évoluer au fil du temps. Les conventions
d’écoulement constituent une solution qui permet de répondre à cette problématique tout en
garantissant un suivi de l’écoulement des actifs et des passifs.
Les conventions d’écoulement des postes du bilan non échéanciers représentent un

élément essentiel en matière de mesure du risque de liquidité. Les principaux modèles cités ci-
dessus traitent la problématique de l’échéance des DAV en se basant sur des hypothèses sur le
comportement des clients qui est influencé par l’évolution des indicateurs de marché tels que
principalement le taux d’intérêt de marché.
Nous nous intéressons au niveau de notre étude à l’écoulement des encours déjà
existants dans le bilan.
2.3.3 . Pré sen ta tio n de la f onction d’éco uleme nt du s tock :
La fonction d’écoulement de la production cherche à déterminer la probabilité qu’un

dinar de production nouvelle entrant à une date t dans le bilan, reste encore présent dans ce
Page 35 sur 99
même bilan à une date future T. Il faut noter qu’un dinar entrant dans le bilan à la date t
(production nouvelle) ne s’agit pas d’un dinar déjà présent dans le bilan (encours), ce qui nous
entraine de conclure qu’un dinar de production nouvelle n’a pas le même comportement d’un
dinar déjà en stock.
Si nous notons PN(t), la production nouvelle entrante à la date t, PN(t, T) correspond au

montant de la production nouvelle encore présent à la date T, la fonction d’écoulement de la
production nouvelle s’établit comme suit :
PN (t, T) = PN (t) * S(t, T)
- S(t, t)=1 : signifie que le dinar qui entre dans le bilan à la date t se trouve toujours
dans le bilan à la date t.
- S(t, +∞) = 0 : signifie que le dinar qui entre à la date t s’évapore tôt ou tard du bilan.
Pour certains produits, le contrat n’indique pas la durée d’écoulement, c’est le cas des
produits non échéanciers, notamment les produits de passif tels que les dépôts à vue, puisque
par définition ces fonds déposés peuvent être retirés à tout moment.
Par ailleurs, une fonction d’écoulement est définie par l’intermédiation de la vitesse ou
taux d’écoulement. Il correspond au pourcentage des encours encore vivant qui s’écoulent par
unité de temps. Il s’agit formellement de l’équation suivante :
))
λ(t, T) =
Si le taux d’écoulement mensuel est égal à 20% signifie qu’une partie de la production
disparait à un rythme de 20% par mois.
Au niveau de notre étude, nous supposons que l’écoulement se fait sous l’hypothèse
d’absence d’éventuelles productions nouvelles futures et la fonction d’écoulement de la
production est égale à :
S(t, T) = exp (-∫ ) )
Page 36 sur 99
L’encours des DAV s’écrit donc :
Dt = ∫ ) -∫ ) )
Soit une dynamique :
dDt = [PN (t) – λD(t)] dt
A partir de cette équation, nous pouvons tirer l’interprétation suivante : les variations
d’encours sont égales aux flux créditeurs auxquels nous soustrayons les flux débiteurs,
exprimés comme un pourcentage de l’encours disponible.
En considérant que le taux d’écoulement et les flux créditeurs sont constants, nous obtenons :
DT = D* + [Dt – D*] exp (-λ(T-t))
Avec D* représente l’encours final qui restera stable jusqu’à l’infini.
Page 37 sur 99
Conclus ion :
Au niveau de ce chapitre nous avons exposé les différents risques auxquels s’exposent
les établissements bancaires. Nous nous sommes focalisés sur le risque de liquidité. En effet,
les banques Tunisiennes doivent intégrer la fonction de risque de liquidité aux procédures de
prises de décisions. Au-delà de la réponse aux exigences règlementaires telles que le respect
du ratio LCR, NSFR et LTD, les banques Tunisiennes doivent développer des instruments
permettant l’optimisation du couple rendement/risque.
La gestion actif-passif s’est vue donc, confier la mission de maitriser les conséquences
négatives éventuelles du risque de liquidité afin d’optimiser le couple rendement/risque. Pour
maximiser le rendement sous contrainte d’un risque donné, la gestion actif-passif a pour rôle
principal le suivi des engagements dans le but d’éviter tout risque de liquidité. Il s’agit
essentiellement du suivi permanent de la liquidité du compte et de l’importance des opérations
confiées par le client.
Ces diverses formes de contrôle permettent au gestionnaire ALM d’amoindrir le risque

tout en préservant la liquidité des emplois. Rappelons que les ressources bancaires sont
financées en grande partie par des dépôts à vue susceptibles d’être retirés à tout moment.
C’est ce qui explique le souci permanant d’un banquier à se prémunir contre le risque de
liquidité qui peut émaner d’un retrait imprévisible des dépôts à vue. Il est donc inhérent à un
gestionnaire de risque de fixer avec précision la sortie de ces dépôts.
En effet, l’élaboration des conventions d’écoulement des encours des DAV permet
d’éviter les situations critiques et d’en anticiper le montant écoulé qui doit être refinancé à un
coût de ressource cher. Afin de déterminer une convention d’écoulement, il faut d’abord
modéliser les encours des DAV. Au niveau du deuxième chapitre, nous allons appliquer les
différents modèles cités dans la littérature à la série des encours des DAV de la BH-Bank dans
le but de déterminer des échéanciers à ce poste de bilan.
Page 38 sur 99
Chap itr e II. Modé lis ation de s dépô ts à vue, cons tru cti on de la conv ent ion d ’é cou lemen t
et str ess TESTING
CHAPITRE II. MODELISATION DES DEPOTS A VUE ,

COSTRUCTION DE LA CONVENTION D’ECOULEMENT ET
STRESS TESTING
Page 39 sur 99
et str ess TESTING
Intr odu ction
En guise d’introduction, il apparait nécessaire de retracer de façon succincte

l’importance du contrôle interne au niveau de la banque. En effet, l’exigence du contrôle
interne permet d’amoindrir les effets d’un risque financier. Dans ce contexte, la BCT a
imposé aux banques Tunisiennes de calculer, mesurer les risques financiers et de procéder à
des scénarii de crises qui permettent d’évaluer l’effet d’un choc sur les résultats et les fonds
propres des banques et ce à travers l’instauration de la circulaire 2006-19 du 28
Novembre 2006.
Pour répondre aux exigences de la BCT, la BH-Bank a mis en place un comité de risque
qui a pour but d’évaluer les risques auxquels la banque s’expose et d’en trouver les solutions
adéquates. La gestion de risque de liquidité n’a fait l’objet que de l’affectation d’un bilan
échéancier et le calcul d’une impasse en liquidité statique.
Le concept de risque de liquidité est plus que jamais un sujet d’actualité, surtout au
niveau de notre contexte national vu le spectre d’assèchement de liquidité qu’a vécu le secteur
bancaire depuis la révolution de 2011 jusqu’à nos jours avec la crise sanitaire COVID-19. La
situation de liquidité d’une banque est fortement liée au déséquilibre existant entre ses
emplois et ses ressources. Par ailleurs, certaines ressources ne sont pas échéanciers présentant
ainsi une contrainte lors de la mise en place d’un bilan échéancier telles que principalement
les dépôts à vue parce qu’ils sont caractérisés par un aspect aléatoire qui donne le droit aux
déposants de retirer leurs fonds quand ils veulent.
Notre objectif est de se conformer à la règlementation en matière de gestion de risque de

liquidité. Pour cela, nous présentons au niveau de la première section la modélisation des
encours des dépôts à vue déjà existant dans le bilan de la BH-Bank dans le but de leur
attribuer une échéance à travers la mise en place d’une convention d’écoulement, au niveau de
la deuxième section nous présentons aussi la modélisation des dépôts à vue suivant la
démarche de BOX and JENKIS et ce en vue de prédire l’évolution future des encours des
DAV. Finalement, nous allons appliquer un stress test sur cette composante afin de pouvoir
évaluer l’impact sur la liquidité de la BH-Bank en cas de choc sur ces ressources.
Page 40 sur 99
et str ess TESTING
SECTION I. Construction de la convention d’écoulement des DAV :
Après avoir passé en revue, les différents modèles permettant la modélisation des dépôts
à vue dans le but d’établir une convention d’écoulement. Nous allons mettre en application la
méthodologie précédemment décrite au niveau de la BH-Bank afin de pouvoir établir
l’écoulement des encours des DAV qui sert à mesurer les gaps de liquidité. Comme les DAV
constituent toujours une part appréciable des ressources d’une banque, leur modélisation sera
donc d’une grande importance. A titre d’exemple, Les dépôts à vue de la BH-Bank
représentent 32% des ressources de la clientèle.
Les dépôts à vue de la BH-Bank sont constitués par des dépôts des particuliers (les
comptes chèques) et des dépôts des professionnels (les comptes courants). Les DAV sur les
comptes chèques sont des dépôts non rémunérés alors que pour les dépôts sur les comptes
courants, il y a ceux qui bénéficient des conditions de faveur telles que les grandes relations
qui ont le droit en une rémunération de 2,75% sur leurs dépôts à vue. Comme le nombre des
clients bénéficiant de cette condition de faveur est négligeable par rapport au total des clients
de la banque, nous avons décidé de supposer que tous les dépôts à vue sont non rémunérés.
Au niveau de cette section nous allons présenter dans un premier temps une étude
statistique détaillée de la série des encours des DAV, dans un second temps les différentes
modélisations et les résultats qui en découlent et finalement, nous allons choisir le modèle qui
ajuste le mieux les séries des encours des DAV et qui va nous permettre d’élaborer des
conventions d’écoulement pour ce poste de bilan.
1. Etu de statistique :
1.1. Prése ntation de s don nées :
Afin de satisfaire les besoins de la modélisation, nous avons eu besoin en plus de la

série des encours des DAV fin de mois, d’une série de taux d’intérêt, puisque les clients
rationnels cherchent toujours à effectuer des arbitrages placement-épargne. En effet, quand le
taux de marché évolue dans le sens positif, les clients ont intérêt à retirer leurs dépôts à vue et
les placer sur le marché financier. Donc cette variable doit être incluse dans notre étude dans
l’intension de prendre en considération la relation qui existe entre le taux d’intérêt de marché
et les DAV.
Page 41 sur 99
et str ess TESTING
Nous avons pris comme référence pour le taux de marché, la série de taux de marché
des bons de trésor émis par adjudication à 52 semaines extraite du site de la CMF. Les deux
séries retenues pour l’étude les encours des DAV et le taux d’intérêt sont des séries
mensuelles qui s’étalent du mois de Janvier 2015 au mois de Décembre 2019.
L’évolution des encours des DAV dans le temps est représentée par le graphique ci-dessous :
Fig ure 5. Evo lution me nsue lle des d épô ts à vue d e Jan vie r 2015 à Dé cembr e 2019
2600000
2400000
2200000
2000000
1800000
1600000
1400000
1200000
1000000
oct.-15
oct.-16
oct.-17
oct.-18
oct.-19
janv.-15
janv.-16
janv.-17
janv.-18
janv.-19
avr.-19
avr.-15
avr.-16
avr.-17
avr.-18
juil.-15
juil.-16
juil.-17
juil.-18
juil.-19
Source : BH-Bank : Direction ALM
Les dépôts à vue constituent une ressource copieuse pour la BH-Bank qui a évolué de
façon remarquable au cours de la période d’observation. L’encours des dépôts à vue présente
une tendance haussière. En effet, en Janvier 2015 sont de l’ordre de 1 398 271,261 md et ont
évolué pour atteindre 2 230 627,285 md soit une croissance de 59%. Avec un encours de
2 230 627,285 md au 31 Décembre 2019, les Dépôts à vue ont affiché une hausse de
115 121,731 md (+5,4%) contre une hausse de 63 659,403 md (3,1%) une année auparavant.
Cette hausse provient des DAV en devises et dinars convertibles qui se sont hissés de
140,2MD (+21,4%), toutefois les DAV en dinars ont diminué de 47,1 MD (-3,3%)14. Cette
évolution traduit l’importance que revêt cette composante au niveau de la banque et appuie
donc la nécessité de sa modélisation.
14
Rapport d’activité, BH-Bank, exercice 2019.
Page 42 sur 99
et str ess TESTING
Quant à la série des taux d’intérêt, son évolution dans le temps est donnée par le
graphique ci-dessous :
Fig ure 6. Evo lution d e tau x de bo n de t résor d e Jan vi er 2015 à Dé cembr e 20 19
Source : Conseil de Marché Financier CMF
1.2. Etu de de la sais onn alité :
Avant d’entamer toute analyse statistique de la série, il est nécessaire de détecter la

présence éventuelle d’un effet saisonnier. Pour ce faire, nous avons procédé à un test de
saisonnalité. L’un des méthodes analytiques les plus utilisée dans la littérature pour tester la
saisonnalité est de faire la régression linéaire des retards de la variable considérée à l’instant t
selon le nombre de saisons. Au niveau de ce test, il suffit qu’une des variables explicatives est
significative pour conclure qu’il existe un effet saisonnier.
Page 43 sur 99
et str ess TESTING
Tab lea u 2. Rés ult at du tes t de sa ison na lit é
Coef. St.Err. t-value p-value [95% Conf Interval] Sig
0.423 0.132 3.21 0.002 0.159 0.687 ***
0.112 0.145 0.77 0.444 -0.179 0.402
0.115 0.144 0.79 0.431 -0.175 0.404
0.317 0.134 2.36 0.022 0.048 0.586 **
Constant 0.505 0.806 0.63 0.534 -1.112 2.123
Source : Auteur
Nous remarquons donc d’après les résultats obtenus qu’il existe un effet de saison. Nous
pouvons donc dire que l’encours des DAV est dépendant aux fluctuations saisonnières liées à
l’annualisation de certains évènements tels que les congés, les dépenses d’été, les fêtes de fin
d’année…Une dessaisonalisation sera faite. Pour dessaisonaliser une série, plusieurs
méthodes sont utilisées. Parmi ces méthodes nous citons celle la plus connue qui est la
méthode des moyennes mobiles (mooving average).
Nous constatons d’après le tableau présenté ci-dessous que la série filtrée ou

dessaisonalisée possède une variance (ou écart-type) inférieure à celle de la série avec un effet
saisonnier.
variance Coefficient de variation Écart inter-quartiles
D 0.026 0.0112 0.315
D_des 0.025 0.0111 0.303
Source : Auteur
Le graphique ci-dessous illustre l’évolution des encours des DAV avant et après avoir
déraciner le vecteur de la saisonnalité.
Page 44 sur 99
et str ess TESTING
Fig ure 7. Encours f ourn is VS e n cou rs dé ssais onn al isés
14,7
14,6
14,5
14,4
D_des
14,3
D
14,2
14,1
14
mai-15
mai-16
mai-17
mai-18
mai-19
sept.-17
sept.-15
sept.-16
juil.-17
sept.-18
sept.-19
mars-15
mars-16
mars-17
mars-18
mars-19
juil.-15
juil.-16
juil.-18
juil.-19
nov.-17
nov.-15
nov.-16
nov.-18
nov.-19
janv.-15
janv.-16
janv.-17
janv.-18
janv.-19
Comme nous pouvons le constater, la série désaisonnalisée présente moins de volatilité

que la série observée.
1.3. Sta tis tique d escr ip tiv e des v ari abl es :
Tab lea u 3. Statist iqu e des cri pt ive d es v aria ble s
Min Mean Variance St.Dev CV Skewness Kurtosis Max
D 14.078 14.372 0.026 0.16 0.011 -0.014 1.571 14.664
R 1.435 1.703 0.057 0.239 0.14 0.405 1.532 2.067
Source : Auteur
La variable D (dépôts à vue) est exprimée en logarithme népérien. Elle est en moyenne
de 14.08. Cette variable a subi une filtration afin d’éliminer les effets saisonniers qu’elle
possède, pour cette raison nous observons qu’elle a un écart-type très réduit ce qui montre
l’absence d’une volatilité remarquable. La distribution de cette variable est symétrique par
rapport à l’axe moyen (Skewness proche de 0).
Page 45 sur 99
et str ess TESTING
Quant à la variable R (taux de marché des bons de trésor) est en moyenne égale à 1.4
sur 5 ans. Elle possède un coefficient de variation plus ou moins faible mais un écart type
relativement élevé ; nous pouvons dire qu’elle ne présente pas aussi une grande volatilité. Le
coefficient d’asymétrie et d’aplatissement sont respectivement différent de 0 et 3 ce qui
montre que la distribution de cette variable ne peut pas être normale.
2. Estimation e t cho ix d u modèle
Avant de choisir la méthode d’estimation convenable, il est obligatoire d’effectuer des

tests qui définiront la spécification du modèle.
2.1. Les te sts s tatistiqu es :
a) Test d ’h été ros céd asticité (B reu sh-P aga n / Cook-Weis ber g / Wald) :
Le test de Breush-Pagan et Cook-Weisberg est basé sur la connaissance de la forme

d’hétéroscédasticité comme le test de Goldfeld et Quandt, mais la différence entre eux est que
la normalité des erreurs n’est pas nécessaire et que nous pouvons tester plusieurs variables. Il
faut cependant que la taille de l’échantillon ne soit pas trop petite (moins de 15 observations)
car c’est un test asymptotique.
Ce test est basé sur les hypothèses suivantes :
Sous l’hypothèse nulle, les résidus ont une variance constante (elle ne dépend pas du temps).
Tab lea u 4. Rés ultats d u tes t d’ hét éros cédas ti cit é des e r reu rs
Résultat du test
Modèle Conclusion
Statistique du test probabilité
Selvagio 0.81 0.3680 Absence d’hétéroscédasticité
Dupré 0.01 0.9386 Absence d’hétéroscédasticité
Jarrow et V. Deventer 0.66 0.4182 Absence d’hétéroscédasticité
Source : Auteur
Page 46 sur 99
et str ess TESTING
Nous remarquons que pour les trois modèles, l’hypothèse nulle est rejetée car la valeur
de la probabilité du test de Chi-deux est supérieure au seuil de risque 5%. Donc les erreurs de
ces modèles sont homoscédastiques.
b) Test d e multicoliné arité (VIF) :
Le test de multicolinéarité examine l’existence d’une relation qui lie deux variables ou
plus, autrement dit, il indique la présence d’une combinaison linéaire entre au moins deux
variables ; ce qui laisse la matrice X’X non inversible.
Nous disons qu’il existe un problème de multicolinéarité si la valeur de variance (VIF)

est supérieure ou égale à 10.
Tab lea u 5. Rés ult ats d u tes t de mul ti col inéa ri té
Modèle Moyenne VIF Conclusion
Selvagio 7.80 Absence de multicolinéarité
Dupré 1.00 Absence de multicolinéarité
Jarrow et V. Deventer 3.51 Absence de multicolinéarité
Source : Auteur
Les moyennes VIF sont toutes inférieures à 10, donc nous pouvons affirmer que pour
les trois modèles, le problème de multicolinéarité ne se pose pas.
c) Test d ’a uto -co rré lation d es err eurs (D u rbin -Watso n) :
Les résultats de ce test sont résumés dans le tableau ci-dessous :
Tab lea u 6. Rés ult ats d u tes t Durb in -Wa tson
Résultat du test
Modèle Conclusion
Statistique de DW Rho
Selvaggio 2.08 -0.04 Absence d’auto-corrélation
Dupré 2.96 -0.48 Auto-corrélation négative
Jarrow et V. Deventer 2.94 -0.46 Auto-corrélation négative
Source : Auteur
Page 47 sur 99
et str ess TESTING
Pour les trois modèles, nous remarquons selon les valeurs du coefficient de corrélation
que seulement le modèle de Selvaggio présente des erreurs non corrélées. Selon ce résultat,
les modèles qui possèdent une auto-corrélation des erreurs seront estimés avec la méthode de
Prais-Winston basée sur la transformation de Cochrane.
2.2. L’es tima tion de s modèles :
Nous procédons maintenant à l’estimation des encours des DAV par l’application des
différents modèles des DAV non rémunérés à savoir : le modèle de Jarrow Van Deventer, le
modèle de Selvaggio et le modèle de Dupré. L’estimation de ces modèles va nous permettre
d’émettre des prévisions et surtout d’élaborer les conventions d’écoulement. Les résultats de
l’estimation de ces trois modèles sont récapitulés dans le tableau ci-dessous.
Tab lea u 7. Rés ultats d e l’ est imat ion d e s trois mod èl es :

Selvag gio , Dupr é, Jarrow & v.D eve nte r
Variables Selvagio Dupré Jarrow & v.deventer
Variable dépendante
0.259*
(0.132)
0.130
(0.0653) -0.00585 -0.0273
0.00478*** (0.0208) (0.0457)

Tk
(0.00118) 0.000294
(0.000663)
0.141
10.29*** (0.222)
Constant
(1.831) 0.0171 0.0432
R-squared 0.898 0.002 0.015
Standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1
Source : Auteur
Page 48 sur 99
et str ess TESTING
Selon les résultats obtenus, nous remarquons que le modèle de Selvaggio est celui qui
possède le coefficient d’ajustement R2 le plus élevé (89,4%), c'est-à-dire que le modèle de
Selvaggio explique 89,4% du logarithme des encours des DAV non rémunérés par les
variables explicatives retenues. Par ailleurs, dans ce modèle toutes les variables sont
significatives, sauf log Rt ce qui peut être expliqué par la négligence du taux de marché par les
déposants qui ne reçoivent pas de rémunération sur leurs dépôts à vue, donc l’évolution de
taux de marché n’a aucune influence sur les encours des DAV et sur le comportement de leurs
détenteurs. La dépendance au niveau des taux d’intérêt de l’encours par compte de dépôt à
vue serait sous cette hypothèse assez faible.
Ainsi le modèle de Selvaggio semble être le plus adéquat pour la modélisation des
encours des DAV de la BH-Bank, pour cette raison c’est ce modèle qui sera retenu dans la
suite de notre travail. Nous retenons donc l’équation suivante pour l’établissement de
l’écoulement de ces encours :
Log Dk = 10.29 + 0.259 log Dk-1 + 0.130 log Rk + 0.00478 Tk
D’après les résultats de l’estimation nous pouvons conclure que la relation entre les
encours des DAV avec leurs passés est significativement positive. Une augmentation des
encours du mois dernier par 1% se traduit par l’augmentation des encours de ce mois
par 25.9%.
Nous donnons par le graphique ci-dessous, l’évolution des encours des DAV observée
et estimée par le modèle de Selvaggio, et nous concluons que le modèle de Selvaggio a une
bonne capacité prédictive parce que les prévisions sont superposées aux données réelles.
Page 49 sur 99
et str ess TESTING
Fig ure 8. Evo lution d es en cou rs obs erv és et modé li sés pa r Se lva ggi o
14,7
14,6
14,5
14,4
observée
14,3 SELVAGIO
14,2
14,1
14
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58
3. L’écoulemen t des DAV non r émuné rés de la BH -B an k :
Une fois la modélisation des encours des DAV mis en place, vient l’étape de la
détermination de leur écoulement dans le temps. Nous devons à présent calculer D* qui
signifie l’encours cible et final qui restera stable jusqu’à l’infini et λ signifiant à son tour la
vitesse ou le taux d’écoulement. Une fois ces deux éléments sont calculés, nous pouvons
établir la convention d’écoulement des DAV.
Nous allons présenter dans ce qui suit, l’écoulement des encours des DAV du Décembre
2019.
Le modèle qui a été retenu est le modèle de Selvaggio qui s’écrit comme suit :
Log Dk = α0 + α1 log Dk-1 + α2 log Rk + α3 tk
Où : α0 = λ * log D* et α1=1- λ
Etant donné que le modèle estimé s’écrit comme suit :
Page 50 sur 99
et str ess TESTING
Donc nous déduisons D* et λ :
1-λ = 0.259
λ * log D* = 10.29
Nous en déduisons alors :
Tab lea u 8. Par amèt res es timé s pour l’é l abor ati on
de la conv ention d ’é cou leme nt de s encours de s DAV
λ D*
0.741 1 065 152.756
Ce qui signifie que les encours s’écoulent avec une vitesse égale à 74.1% chaque mois
jusqu’à atteindre un encours cible égal à 1 065 152.756 md. Nous pouvons établir la
convention d’écoulement en utilisant la formule suivante :
DT = D* + [Dt – D*] exp (-λ(T-t))
Pour un encours de dépôts à vue égal à 2 230 627.285 md au 31 Décembre 2019, nous
aurons le tableau d’écoulement suivant :
Page 51 sur 99
et str ess TESTING
Tab lea u 9. Ecou lemen t des e nco urs de s dépôt s à vue d e Décem bre 201 9
Date (en mois) Encours Pourcentage écoulé
janv.-20 1610883,69
févr.-20 1114262,14 30,829
mars-20 1089091,56 2,258
avr.-20 1067840,88 1,951
mai-20 1066461,14 0,129
juin-20 1065307,76 0,108
juil.-20 1065228,17 0,007
août-20 1065161,81 0,006
sept.-20 1065157,16 0,000

13% Partie volatile
oct.-20 1065153,29 0,000
nov.-20 1065153,01 0,000
déc.-20 1065152,78 0,000
janv.-21 1065152,77 0,000
févr.-21 1065152,75 0,000
mars-21 1065152,75 0,000
Avr.-21 1065152,75 0,000

87% Partie stable
Dates ultérieures 1065152,75 0,000
Source : Auteur
Fig ure 9. Eco ulem ent d es en cour s de d épôt à v ue
1900000,00000
1700000,00000
1500000,00000
1300000,00000
1100000,00000
900000,00000
700000,00000
500000,00000
Source : Auteur
Page 52 sur 99
et str ess TESTING
D’après le tableau et le graphique ci-dessus, nous remarquons que les encours des DAV
commencent à se stabiliser à partir du mois d’Août 2020.
L’établissement d’une convention d’écoulement prudentielle des DAV, nécessite de

dégager une partie stable et une partie volatile. Par ailleurs, nous avons calculé à l’aide du
coefficient de variation la parie volatile qui est égale à 13% et la partie stable qui est de
l’ordre de 87%. Cela revient à considérer que la partie des encours qui disparait pour une
période comme une dette à court terme, par exemple dans notre cas 496 621,739 md
représente l’encours qui s’est évaporé entre le mois de Janvier et le mois de Février 2020. Ce
montant représente un cout pour la banque, parce qu’il doit être refinancé soit sur le marché
monétaire au taux interbancaire, soit auprès de la Banque Centrale, ou bien aussi sur le
marché des capitaux.
Tandis que le noyau stable qui est égal à 87% correspond à une ressource d’échéance
éloignée et ne présente aucun souci pour la banque, il peut être qualifié comme un coussin de
sécurité.
L’élaboration de la convention d’écoulement des encours des DAV constitue une étape
de grande importance dans la gestion du risque de liquidité qui s’articule autour de trois
étapes, commençant par la détermination des conventions d’écoulement pour les postes du
bilan qui ont une échéance incertaine, ensuite passant au calcul des impasses en liquidité et
enfin simulant des scénarios de période de tension.
Page 53 sur 99
et str ess TESTING
SECTION II. Approche dynamique des DAV :
Les DAV sont des passifs difficiles à modéliser vu leur caractère volatile, ce qui accroit
le risque de liquidité auquel la banque peut s’exposer. Il suffit qu’une grande entreprise retire
une partie ou la totalité de ces dépôts pour que la banque se retrouve en besoin de liquidité.
L’idée de base derrière le modèle de Selvaggio c’est de déterminer un encours cible et

une vitesse avec laquelle les encours ont tendance à s’ajuster. L’objectif est d’établir une
convention d’écoulement comme a été déjà fait au niveau de la première section. Cependant,
le modèle de Selvaggio précédemment estimé peut aussi servir à la prévision de l’évolution
future des encours. Ceci peut aider la banque à avoir une meilleure visibilité sur les encours
futurs.
Pour ce faire, la banque peut procéder à l’utilisation de certains modèles se trouvant

dans la littérature tels que le modèle de Selvaggio ou bien les modèles ARIMA, ou bien aussi
elle peut établir des modèles internes basés sur l’étude comportementale de ses clients. Etant
le modèle de Selvaggio estimé au niveau de la première section, nous procédons au niveau de
cette section à la modélisation des encours des DAV par la méthode de BOX and JENKIS
dans le but de comparer la capacité prédictive des deux modèles.
1. Modélisa tio n et pr évisio n par l a méth od e Box an d Jen kis :
1.1. Iden tification d u modè le :
Avant d’entamer l’analyse et l’estimation du modèle, il est nécessaire d’effectuer un test

de stationnarité de la variable dépendante encours des DAV pour savoir le degré d’intégration
du processus ARIMA. Pour cela, nous avons appliqué le test de Dickey-Fuller à la présence
d’une constante et d’une tendance.
Les hypothèses de ce test sont présentées comme suit :
H0 : La série comporte une racine unitaire.
Ha : La série ne comporte pas de racine unitaire.
Page 54 sur 99
et str ess TESTING
Tab lea u 10. Rés ul tat s du te st de Di cke y -Fu lle r
Tau (Valeur observée) -5,121
Tau (Valeur critique) -0,898
p-value (unilatérale) 0,000
Alpha 0,05
Source : Auteur
Etant donné que la p-value calculée est inférieure au niveau de signification alpha=0,05,
nous devons rejeter l'hypothèse nulle H0, et retenir l'hypothèse alternative Ha. Nous pouvons
confirmer alors que notre série est stationnaire avec tendance. Elle est donc intégrée d’ordre
0. Le graphique ci-dessous vient nous confirmer ce résultat.
Fig ure 10 . Evo lu tio n des en co urs de s DAV entre Janv ier 201 5 et Dé cembr e 2019
14,7
14,6
14,5
14,4
D
14,3
14,2
14,1
14
déc.-14 juil.-15 janv.-16 août-16 mars-17 sept.-17 avr.-18 oct.-18 mai-19 déc.-19 juin-20
time
Source : Auteur
Une fois nous avons déterminé le degré d’intégration, nous passons à l’identification
des paramètres p et q du processus ARIMA (p,d,q) et ceci en se référant au résultat du test de
Breush godfrey basé sur l’hypothèse nulle d’absence d’auto-corrélation.
Lag order chi2 Prob>Chi2
1 3.668 0.056
2 7.576 0.023
Page 55 sur 99
et str ess TESTING
A un seuil de risque 5% l’ordre d’auto-régression retenu est 2. . Le résultat est supporté par le
schéma de l’autocorrélogramme partiel.
Fig ure 11 . Auto corr él ogramm e part ie lD
0,8
0,6
Autocorrélation partielle
0,4
0,2
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
-0,2
-0,4
-0,6
-0,8
-1
Décalage
Source : Auteur
Nous allons par la suite déterminer le paramètre q du processus ARIMA, par Le test de MA
qui est remplacé par le test de normalité des résidus (Jarque-Bera).
Les hypothèses de ce test se présentent comme suit :
H0 : La variable dont provient l'échantillon suit une loi Normale.
Ha : La variable dont provient l'échantillon ne suit pas une loi Normale.
Tab lea u 11. Rés ul tat d u tes t Jar que -Be ra
JB (Valeur observée) 3,145
JB (Valeur critique) 5,991
DDL 2
p-value (bilatérale) 0,208
Alpha 0,05
Source : Auteur
Page 56 sur 99
et str ess TESTING
Etant donné que la p-value calculée est supérieure au niveau de signification seuil
alpha = 0,05, nous ne pouvons pas rejeter l'hypothèse nulle H0. Selon le résultat de ce test
nous pouvons confirmer que les résidus ne sont pas autorégressifs. Le graphique
d’autocorrélogramme des résidus nous confirme ce résultat.
Fig ure 12 . Auto corr él ogramm e part ie lR ésid us
0,8
0,6
Autocorrélation partielle
0,4
0,2
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
-0,2
-0,4
-0,6
-0,8
-1
Décalage
Source : Auteur
Le test de stationnarité, de normalité des résidus et d’auto-corrélation de la variable

dépendante indique que notre processus suit un ARIMA (2, 0, 0) soit un AR(2).
1.2. Compara ison e ntr e le mod èle d e Se lva ggio e t le mod èl e AR(2) :
Rappelons que nous avons estimé le modèle de Selvaggio au niveau de la première

section et nous avons retenu les résultats de l’estimation suivants :
Nous présentons par le graphique ci-dessous l’ajustement des encours des DAV
observés au modèle de Selvaggio et au modèle AR(2).
Page 57 sur 99
et str ess TESTING
Fig ure 13 . Evo lu tio n des en co urs de s d épot s à vue o bser vés ,
modélisé s par Selv agg io e t AR(2)
14,7
14,6
14,5
14,4
D
14,3
ARIMA
14,2
Selvagio
14,1
14
juil.-16
juil.-15
avr.-17
juil.-17
juil.-18
juil.-19
avr.-15
avr.-16
avr.-18
avr.-19
oct.-15
janv.-15
janv.-16
oct.-16
janv.-17
oct.-17
janv.-18
oct.-18
janv.-19
oct.-19
En mettant en confrontation le modèle de Selvaggio et le modèle AR(2), nous déduisons
que le modèle AR(2) possède un ajustement meilleur que celui de Selvaggio. Nous allons
donc effectuer la prévision des encours futurs en se basant sur le modèle AR(2).
1.3. Prév ision :
Il important pour une banque de déterminer l’objectif de l’étude qu’elle réalise. Si la

finalité de son étude est d’anticiper les encours futurs, les modèles ARIMA procurent une
meilleure visibilité par rapport au modèle de Selvaggio.
Fig ure 14 . Evo lu tio n des en co urs mod él isés e t pré dit s par l e modè le AR(2)
14,7
14,6
14,5
14,4
D
14,3
14,2
14,1
14
déc.-14 mai-16 sept.-17 févr.-19 juin-20 oct.-21
ARIMA (D) k Validation
Prédiction Borne inférieure (95%)
Borne supérieure (95%)
Source : Auteur
Page 58 sur 99
et str ess TESTING
Le graphique ci-dessus, illustre d’une part les encours ajustés selon le modèle AR(2)
présentés sur la courbe par la couleur rouge, et d’autre part la prévision présentée par la
couleur verte. Nous remarquons d’après le graphique que les encours des DAV de la BH-
Bank auront une tendance baissière dans le futur. Ce qui nous semble un résultat attendu vu le
contexte économique et sanitaire national récemment vécu, qui a freiné principalement le
développement de la production de crédits, l’activité de change et la production nouvelle des
dépôts à vue.
Compte tenu de ce constat, la BH-Bank doit rester regardante sur la qualité de son
portefeuille, la solidité de ses fondamentaux et l’évolution de son cout de risque. Elle doit
analyser et évaluer le risque de liquidité auquel s’exposerait si les encours des DAV vont
diminuer.
2. La pré vis ion p ar la technique d u lis sag e expon ent ie l simp le :
La technique de lissage exponentiel simple est une technique de prévision. Le principe

de cette technique consiste à donner plus d’importance aux dernières observations, elle
cherche à obtenir une valeur lissée en t pour la reporter tout simplement en t+1.
La formule est la suivante :
ŷt = αyt + (1 – α) ŷt-1
Avec α un coefficient compris entre 0 et 1 et s’applique à la dernière réalisation, appelé

la constante de lissage, qui est choisie par nous-même. Evidemment, si elle est égale à 1, on
ne fait que reporter en t+1 l’observation de la période t.
En appliquant cette technique sur la série des encours des dépôts à vue de la BH-Bankn
nous obtenons le graphique ci-dessous qui illustre la prévision des encours :
Page 59 sur 99
et str ess TESTING
Fig ure 15 . Evo lu tio n des en co urs pr édi t s par la t ec h niq ue de liss age e xpo nen ti el simp le
14,7
14,6
14,5
14,4
D
14,3
14,2
14,1
14
déc.-14 mai-16 sept.-17 févr.-19 juin-20 oct.-21
k
Exponentiel(D) Validation Prédiction
Borne inférieure (95%) Borne supérieure (95%)
Source : Auteur
Nous remarquons d’après ce graphique que les encours des dépôts à vue de la BH-Bank
auront une tendance baissière dans le futur mais à un rythme très faible voir une stagnation.
Page 60 sur 99
et str ess TESTING
SECTION III. STRESS TESTING ET IMPACT SUR LES INDICATEURS DE MESURE
A la suite de nombreuses crises financières, il a été constitué un certain nombre de

mesures dont l’objectif principal est d’assurer la stabilité financière internationale. Parmi les
mesures étudiées les « stress tests » qui consistent à explorer les failles du système bancaire.
La mise en place des stress tests servent à simuler des conditions économiques sévères mais
plausibles et à analyser les impacts qui en découlent sur les bilans bancaires dans le but de
mesurer la capacité de résistance de la banque à de telles situations.
1. Métho de des s tres s tes ts :
Le stress test donne une idée sur la capacité d’une banque à faire face à une situation de
crise où touts les indicateurs de gestion bancaire sont détériorés. Lorsque le stress test est visé
pour le secteur bancaire ou le système financier en générale, nous l’appelons « stress test
financier » qui répond à deux notions telles que : le stress qui est causé par une force exogène
menant le système financier à un état de crise et de dysfonctionnement et la deuxième notion
s’agit du « secteur financier » qui est constitués des institutions financières, des marchés
financiers, leur règlementation…
Comme le préconise la règlementation Bâle III, les établissements financiers doivent

anticiper des situations de tension prolongée en effectuant régulièrement des simulations de
crises afin de pouvoir prédire les pertes potentielles en cas de changements dangereux
susceptibles de provoquer de fortes pressions sur la liquidité bancaire, comme le retrait
imprévisible des dépôts de la clientèle (les ruées bancaires), la dégradation de la note affectant
négativement la réputation de l’établissement financier…
Au niveau international, nous distinguons le stress test Européen proposé par la BCE et
le stress test des Etats-Unis exigé par la Réserve Fédérale (FED). Le stress test Européen est
basé sur deux scénarii, un scénario de base et un scénario pessimiste. La FED quant à elle
propose trois scénarii : un scénario de base, un scénario pessimiste et un scénario sévère. En
effet, le scénario sévère est basé sur des hypothèses plus tranchantes que pour le scénario
pessimiste.
Page 61 sur 99
et str ess TESTING
2. Le co nte xte Tun isien et le str ess t est :
Le secteur bancaire Tunisien est entrain de passer par une situation très fragile, causée
par la crise sanitaire Covid-19 qui a engendrée des évènements inédits. En effet, une grande
partie des ressources productives s’est retrouvée à l’arrêt et la capacité de production
habituelle s’est dégradée.
Les mesures prises par la BCT sont très marquantes de par leur impact sur le secteur
bancaire. Il s’agit essentiellement de la baisse du taux directeur de 100 pbs, du report des
échéances de remboursement des crédits aussi bien pour les particuliers que pour les
entreprises et assouplissement des règles de refinancement afin de faciliter la tache de
financement des entreprises en garantissant les moyens pour le secteur bancaire. Ces mesures
ont eu un impact négatif sur les banques Tunisiennes.
Commençant par la baisse du taux directeur qui a eu un impact négatif sur la marge
d’intérêt, vu une grande partie des emplois est à taux variable. Passant à l’application de deux
circulaires n° 2020-07 et n° 2020-08 qui stipulent le report des tombées des crédits entre Mars
et Septembre 2020.
En effet, cette mesure consiste à consolider l’encours arrêté à la date du report majoré
des intérêts courus au taux conventionnel du crédit initialement octroyé et ceci sans facturer ni
des intérêts de retard ni des pénalités. Le manque à gagner relatif à la non facturation des
intérêts intercalaires sera supporté par la banque. Etant privées d’une partie de remboursement
et des intérêts de retard, les banques pourraient s’exposer à un besoin de liquidité. Aussi les
banques ont enregistré un manque à gagner provenant de la gratuité des retraits d’espèces au
niveau des distributeurs, ce qui encourage au même temps le retrait massif des dépôts à vue.
Selon cette analyse deux effets sur les banques Tunisiennes seront attendus, un premier
effet sur le PNB expliqué par la baisse des produits d’intérêts causé par la baisse du taux
directeur et le report des crédits et la diminution des commissions du fait de la gratuité des
services monétiques. Un deuxième effet peut être généré par l’introduction des mesures citées
ci-dessus est l’effet sur le ratio de liquidité qui est le cœur de notre étude, cet effet peut se
traduire par la forte dégradation de ce ratio compte tenu de la baisse importante des dépôts de
la clientèle et du retrait massif des dépôts à vue.
Page 62 sur 99
et str ess TESTING
Le retrait massif des dépôts à vue concomitamment à la gratuité des services

monétiques, nous a motivé à faire une étude de stress test appliqué sur les données des
encours des DAV de la BH-Bank. Nous devons donc constituer des scénarii de stress pour la
liquidité, ceci est donné par la réalisation des simulations en effectuant des pressions sur les
ressources tout en anticipant des retraits massifs des dépôts. Ce genre de test permet à la
banque d’évaluer sa capacité à faire face à des crises de liquidité. La BCT prévoit trois
principaux scénarii tels que :
- Scénario 1 : prévoir une pression inédite sur les retraits des dépôts à vue, ce scénario
suppose le retrait de 30% des dépôts à vue sur trois mois à un rythme de 10% par
mois.
- Scénario 2 : prévoir une pression plus stressante que la première, un retrait sur un
horizon très court de 10 jours.
- Scénario 3 : prévoir une pression plus sévère que les deux précédentes, soit un retrait
du montant total des dépôts à vue en un seul coup.
3. Applica ti on du stress test p our l es DAV la BH-Ban k :
Afin de mettre en place un stress test pour la liquidité adapté à la BH-Bank, nous allons
donc définir un stress test plus personnalisé que celui exigé par le régulateur ou le comité de
Bâle. Dans le but de mesurer l’impact d’un retrait imprévisible des dépôts, nous aurons
besoins de choquer deux paramètres : la part volatile et la durée ou la vitesse d’écoulement.
3.1. Déma rch e :
3.1.1 . Cho c de la p artie v ola tile :
La part volatile est représentée par la part de l’encours qui disparait dans un laps du
temps très réduit. Elle est calculée par le coefficient de variation des encours des DAV.
Le but c’est d’appliquer un choc sur la part volatile, pour ce faire, nous aurons besoin de
simuler plusieurs trajectoires d’évolution des encours des DAV.
Au niveau de notre étude, la simulation des trajectoires aléatoires repose sur la

dynamique de Selvaggio précédemment choisi pour la modélisation :
Page 63 sur 99
et str ess TESTING
Log Dk = α0 + α1 log Dk-1 + α2 log Rk + α3 tk +εt
Avec : εt est un bruit blanc qui suit une loi normal N (µ, σ2), nous rappelons que εt représente
l’écart entre les données réelles et les données estimées.
Afin d’établir plusieurs trajectoires s’éloignant de la trajectoire principal, nous avons

choqué la variance des résidus en la multipliant par un coefficient. En calculant pour chaque
trajectoire simulée un coefficient de variation, nous obtenons ainsi une série de coefficients de
variations qui représentent des parts volatiles égales au nombre de coefficients de variations
générés. Le scénario que nous allons retenir est lorsque nous obtenons le coefficient de
variation le plus important.
3.1.2 . Cho c de la v itesse d ’a jus temen t :
Le deuxième paramètre autour duquel s’articule notre stress test est la vitesse
d’ajustement ou la vitesse d’écoulement λ qui donne comme information la durée
d’écoulement de la partie volatile. Comme a été précédemment expliqué la dynamique de
l’écoulement s’obtient en appliquant la formule suivante :
DT = D* + [Dt – D*] exp (-λ(T-t))
Nous rappelons aussi :
λ= 1 – α1
D*= exp ( )
Afin d’obtenir différentes valeurs de la vitesse d’écoulement, nous nous sommes basés
sur l’intervalle de confiance de α1 à des seuils de significativité différents. L’intervalle de
confiance prend la forme suivante : [α1min ; α1max] tel que la valeur α1min correspond à la plus
grande valeur de λ puisque λ=1 - α1.
Plus la valeur de la vitesse d’ajustement est grande plus la durée d’écoulement est
courte c'est-à-dire que l’encours s’évapore rapidement. Nous retenons donc comme scénario
de choc, la valeur minimale de α1 c'est-à-dire la valeur maximal de λ pour différents seuils de
significativité 1%, 5%, 10%.
Page 64 sur 99
et str ess TESTING
3.2. Ré sulta ts :
Afin d’illustrer la démarche précitée, nous retenons le modèle suivant :
Log Dk = 9.017 + 0.361 log Dk-1 + 0.006 Tk
- Analyse des résidus :
Nous allons effectuer un tester pour vérifier l’hypothèse de normalité.
H0 : La variable dont provient l'échantillon suit une loi Normale.
Ha : La variable dont provient l'échantillon ne suit pas une loi Normale.
Tab lea u 12. Te st de Sha pir o -Wil k (rés id us)
W 0,972
Alpha 0,05
Tab lea u 13.Tes t de Ja rque -Ber a (rés id us)
JB (Valeur observée) 3,145
JB (Valeur critique) 5,991
Alpha 0,05
Source : Auteur
Etant donné que la p-value calculée est supérieure au niveau de signification seuil
alpha=0,05, nous ne pouvons pas rejeter l'hypothèse nulle H0.
Synthèse :
Variable\Test Shapiro-Wilk Jarque-Bera
Résidus 0,188 0,208
Source : Auteur
Page 65 sur 99
et str ess TESTING
Q-Q plot (resid)

P-P plot (resid)
0,15
1
0,9
0,1
Fonction de répartition théorique
0,8
Quantile - Normale (0; 0,05)

0,7 0,05
0,6
0,5 0
-0,15 -0,1 -0,05 0 0,05 0,1 0,15
0,4
0,3 -0,05
0,2
-0,1
0,1
0
0 0,2 0,4 0,6 0,8 1 -0,15
resid
Fonction de répartition empirique
Nous obtenons donc la moyenne des résidus µ= 0, et leur variance σ2=0.003. Nous
allons donc simuler des bruits blancs en tenant compte de ces paramètres en appliquant un
choc au niveau de la variance.
Les simulations ont été basées sur l’équation suivante :
Log Dk = 9.017 + 0.361 log Dk-1 + 0.006 Tk+ εt
Cette équation nous a permis de simuler 200 trajectoires donc 200 coefficients de
variation. Les coefficients de variation générés varient entre une valeur minimale égale à 18%
et une valeur maximale égale à 70%.
Après la simulation, nous allons choquer la vitesse d’ajustement qui consiste à garder la
borne inférieur de l’intervalle de confiance de α1.
Tab lea u 14. In ter va lle d e con fi ance du paramè tre α_ 1
Seuil Borne inférieure Borne supérieure
1% 0.028 0.694
5% 0.111 0.611
10% 0.152 0.570
Source : Auteur
Page 66 sur 99
et str ess TESTING
Tab lea u 15. Cho c sur l a vi tess e d’a jus t ement
Seuil Borne inférieure
1% 97,2%
5% 88,9%
10% 84,8%
Source : Auteur
La convention d’écoulement choquée sera construite en faisant la combinaison entre la

part volatile la plus élevée et la valeur de la vitesse d’ajustement la plus grande c'est-à-dire la
borne inférieure du paramètre α1. Pour cela, nous retenons le coefficient de variation qui est
égal à 70% et la vitesse d’ajustement au seuil de 5% donc 88.9%.
Avec :
Tab lea u 16. Pa ramè tres choq ués p our l ’él abor at ion d e la conv ent ion d ’é cou le ment
choq uée d es en cou rs des DAV
D*
0.889 25 403.244
Nous en déduisons alors la convention d’écoulement choquée :
Page 67 sur 99
et str ess TESTING
Tab lea u 17. Ecou leme nt ch oqu é des e n cour s des dé pô ts à vue d e Décembre 2 019
Date (en mois) Encours Pourcentage écoulé
janv.-20 933066,788
févr.-20 272406,981 70,801
mars-20 114912,476 57,815
avr.-20 60810,4971 47,081
mai-20 39788,6833 34,569
juin-20 31295,5955 21,345
juil.-20 27822,769 11,096
août-20 26397,5019 5,122

Partie volatile
sept.-20 25811,9092 2,218
70%
oct.-20 25571,2275 0,932
nov.-20 25472,2958 0,386

30%
déc.-20 25431,6288 0,159
Partie stable
janv.-21 25414,912 0,065
févr.-21 25408,0403 0,027
mars-21 25405,2156 0,011
Avr.-21 25404,0545 0,004
mai-21 25403,5772 0,001
juin-21 25403,244 0,000
juil.-21 25403,244 0,000
août-21 25403,244 0,000
Date ultérieure 25403,244
Source : Auteur
Page 68 sur 99
et str ess TESTING
Fig ure 16 . Eco ulemen t cho qué e t éco ul ement ce nt ral
2000000,00000
1800000,00000
1600000,00000
1400000,00000
1200000,00000
1000000,00000
800000,00000
600000,00000
400000,00000
200000,00000
0,00000
convention d'écoulement convention d'écoulement choquée
Source : Auteur
Nous remarquons d’après le tableau et le graphique ci-dessus qu’en Février 2020, en cas
de situation extrême, 70% des encours des DAV seront retirés d’un seul coup, soit un montant
égal à 660 659,807 md. Ce montant doit être refinancé à un coût élevé.
Nous constatons aussi qu’en cas de crise la partie stable s’amoindrit c'est-à-dire les
ressources d’échéance éloignée, donc la banque est exposée à un risque de liquidité très
important.
Page 69 sur 99
et str ess TESTING
Conclus ion :
Ce chapitre a consisté en la modélisation du stock des DAV de la BH-Bank en se basant

sur des modèles économétriques et sur les séries chronologiques. Le but derrière cette
modélisation étant de construire une convention d’écoulement mais également d’anticiper
l’évolution future des DAV.
Les résultats obtenus en appliquant cette méthodologie sur les données des encours des
DAV de la BH-Bank montrent que les encours s’écoulent au fil du temps. Ce constat est
expliqué par le comportement instable des détenteurs des comptes à vue. Cependant,
l’écoulement se fait à un rythme faible qui garantit à la banque une part stable assez
importante.
En effet, la modélisation de ces ressources est essentielle mais non suffisante pour la
gestion globale du risque de liquidité. C’est pourquoi nous nous intéressons au niveau de la
dernière section à la simulation de plusieurs scénarii de stress de liquidité et l’impact sur
l’écoulement des encours de DAV. A partir ces différents scénarii nous avons constitué la
convention d’écoulement choquée.
Page 70 sur 99
Conclus ion g énér ale
C ONCLUSION G ENERALE
Page 71 sur 99
Au terme de ce travail il sied de dire, que les dépôts à vue revêtent une importance
croissante au sein d’une banque, représentant pour la BH-Bank, à eux seuls hors les comptes
sur livrets en 2019, 32% des ressources nécessaires pour le financement des crédits, donc
l’enjeu est de taille pour notre banque.
Dans le cadre de ce travail, nous avons présenté une analyse comportementale de la

clientèle de la banque en modélisant les dépôts à vue pour donner une visibilité sur
l’écoulement futur de ces ressources. Nous avons ainsi valorisé le montant de l’encours qui va
s’évaporer. Nous pouvons conclure que les encours des dépôts à vue de la BH-Bank ne
s’évaporent pas à un rythme accéléré, 30% disparaîtront en passant du mois de Janvier 2020
au mois de Février 2020, puis 2% en mois de Mars 2020. De plus les résultats nous ont
aboutit à conclure que la BH-Bank pourrait avoir une partie très importante de ces encours qui
ont une échéance lointaine, cette partie considérée stable représente 87%.
Toutefois, les résultats obtenus restent à considérer avec prudence compte tenu de la
non considération d’une étude comportementale plus spécifiée et ceci est du à la non
disponibilité des données. En effet, le comportement d’un retail est différent du comportement
d’une Coroprate et le comportement d’une grande entreprise et aussi différent du
comportement d’une petite moyenne entreprise…
Ainsi cette étude trouverait son prolongement dans l’introduction d’autres variables qui
peuvent influencer les encours des dépôts à vue telles que, l’âge du compte, le nombre des
comptes…
De plus afin de mettre en place un référentiel ALM exhaustif pour calculer les impasses
en liquidité, il est obligatoire d’analyser tous les postes de bilan non échéanciers. Il faut noter
qu’il n’y a pas que les dépôts à vue qui possèdent cette spécificité, mais vu leur lourdeur dans
les ressources de la banque, nous avons décidé de focaliser notre étude sur cette composante.
Il y a d’autres sources d’incertitude liées au comportement de la clientèle. En effet, les options
cachées offertes par la banque constituent aussi une inquiétitude quant à la mesure des
impasses parce que leur écoulement peut être modifié à tout moment. Nous retenons parmi
ces options, les options de remboursement anticipé des crédits qui peuvent avoir un impact
négatif sur le gain futur de la banque. Il serait donc utile d’élargir cette étude par la
modélisation de ces options par des modèles comportementaux en fonction de l’ancienneté du
contrat et des taux de marché.
Page 72 sur 99
D’autres postes à échéance incertaine, donnent un large champ d’investigation pour

d’autres travaux, à l’instar des capitaux propres et des immobilisations nécessitant ainsi une
modélisation pour donner une dimension réelle à leur écoulement. Un travail plus exhaustif
peut être mené en considérant aussi les postes du hors bilan en plus des postes du bilan.
Page 73 sur 99
Référ en ces bibliog rap hiq ues
R EFERENCES B IBLIOGRAPHIQUES
Page 74 sur 99
A r tic le s s ci e n t if iq u e s :
 Adam Alexander (2007) Handbook of Asset and Liability Management: From Models
to Optimal Return, 576p.
 Altunbaş, Y., Gardener, E. P. M., Molyneux, P., and Moore, B. (2001), “Efficiency in
European Banking,” European Economic Review, Vol. 45, 1931-1955.
 Angbazo, L. (1997), “Commercial Bank Net Interest Margins, Default Risk, Interest-
Rate Risk, and Off-Balance Sheet Banking,” Journal of Banking and Finance, Vol.
21, 55-87.
 Aspachs, O., Nier, E., and Tiesset, M. (2005), “Liquidity, Banking Regulation and the
Macroeconomy: Evidence on Bank Liquidity Holdings from A Panel of UK-Resident
Banks,” Bank for International Settlements. Athanasoglou, P. P.
 Athanasoglou, P. P., Delis, M. D., and Staikouras, C. K. (2006), “Determinants of

Bank Profitability in the South Eastern European Region,” Bank of Greece Working
Paper No. 47.
 Bank of Japan (2014). Survey on Core Deposit Modeling in Japan: Toward Enhancing
Asset and Liability Management, Bank of Japan Report and Research Paper.
 Bardehewer, M. (2007). Modeling Non-maturity products. In: Matz, L. and Neu, P.

eds. Liquidity Risk Measurement and Management. Wiley, pp. 220-256.
 Barth, J. R., Caprio Jr., G., and Levine, R. (2001), “The Regulation and Supervision of
Banks around the World: A New Database,” World Bank Policy Research Working
Paper NO. 2588.
 Barth, J. R., Caprio Jr., G., and Levine, R. (2004), “Bank Regulation and Supervision:
What Works Best?” Journal of Financial Intermediation, Vol. 13, 205-248.
 Barth, J. R., Nolle, D. E., Phumiwasana, T., and Yago, G. (2003), “A Cross-Country
Analysis of the Bank Supervisory Framework and Bank Performance,” Financial
Markets, Vol. 12, 67-120.
 Basel Committee on Banking Supervision (2004). Principles for the Management and
Supervision of Interest Rate Risk.
Page 75 sur 99
 Basel Committee on Banking Supervision, (1988), “Basel I: International

Convergence of Capital Measurement and Capital Standards,” Bank for International
Settlements.
 Basel Committee on Banking Supervision, (1997), “Core Principles for Effective

Banking Supervision,” Bank for International Settlements.
 Basel Committee on Banking Supervision, (2000), “Sound Practices for Managing

Liquidity in Banking Organizations,” Bank for International Settlements.
 Beck, T., Demirgüç-Kunt, A., Levine, R., and Maksimovic, V. (2000), “Financial
Structure and Economic Development: Firm, Industry, and Country Evidence,” World
Bank Policy Research Working Paper NO. 2423.
 Berger, A. N. (1995), “The Relationship between Capital and Earnings in Banking,”

Journal of Money, Credit and Banking, Vol. 27, 432-456.
 Berger, A. N., and Humphrey, D. B. (1997), “Efficiency of Financial Institutions:

International Survey and Directions for Future Research,” European Journal of
Operational Research, Vol. 98, 175-212.
 Bourke, P. (1989), “Concentration and Other Determinants of Bank Profitability in

Europe, North America and Australia,” Journal of Banking and Finance,
Vol. 13, 65-79.
 Brissimis, S. N., and Delis, M. D. (2008), “Bank-Specific, Industry-Specific and

Macroeconomic Determinants of Bank Profitability,” Journal of International
Financial Markets, Institutions and Money, Vol. 18, 121-136.
 Carmona, G. (2007). Bank Failures Caused by Large Withdrawals: An Explanation

Based Purely on Liquidity. Journal of Mathematical Economics, vol. 43.
 Cooper, M. J., Jackson, W. E., and Patterson, G. A. (2003), “Evidence of

Predictability in the Cross-Section of Bank Stock Returns,” Journal of Banking and
Finance, Vol. 27, 817-850.
 Cox, J.C., Ingersoll J.E. and Ross S.A. (1985). A Theory of the Term Structure of
Interest Rates, Econometrica, vol. 53.
Page 76 sur 99
 Davis, E. P. (2008), “Liquidity, Financial Crises and the Lender of Last Resort - How
Much of A Departure is the Sub-prime Crisis?,” Paper presented at the Reserve Bank
of Australia conference.
 Decker, P. A. (2000), “The Changing Character of Liquidity and Liquidity Risk

Management: A Regulator's Perspective,” Federal Reserve Bank of Chicago Banking
Supervision and Regulation Research.
 Demirgüç-Kunt, A., and Huizinga, H. (1999), “Determinants of Commercial Bank

Interest Margins and Profitability: Some International Evidence,” World Bank
Economic Review, Vol.13, 379-408.
 Demirgüç-Kunt, A., and Huizinga, H. (2000), “Financial Structure and Bank

Profitability,” World Bank Policy Research Working Paper NO. 2430.
 Demirgüç-Kunt, A., and Levine, R. (1999), “Bank-Based and Market-Based Financial

Systems: Cross-Country Comparisons,” World Bank Policy Research Working Paper
NO. 2143.
 Demirgüç-Kunt, A., and Maksimovic, V. (2002), “Funding Growth in Bank-Based

and Market-Based Financial Systems: Evidence from Firm-Level Data,” Journal of
Financial Economics, Vol. 65, 337-363.
 Demirgüç-Kunt, A., Laeven, L., and Levine, R. (2003), “The Impact of Bank
Regulations, Concentration, and Institutions on Bank Margins,” World Bank Policy
Research Working Paper NO. 3030.
 Dermine, J. (2015). Basel III leverage ratio requirements and the probability of bank
runs, Journal of Banking and Finance, vol. 53.
 Diamond, D. W., and Dybvig, P. H. (1983), “Bank Runs, Deposit Insurance, and
Liquidity,” Journal of Political Economy, Vol. 91, 401-419.
 Djankov, S., La Porta, R., Lopez-de-Silanes, F., and Shleifer, A. (2002), “The
Regulation of Entry,” The Quarterly Journal of Economics, Vol. 117, 1-37.
 Doliente, J. S. (2005), “Determinants of Bank Net Interest Margins in Southeast Asia,”

Applied Financial Economics Letters, Vol. 1, 53-57.
 Drakos, K. (2003), “Assessing the Success of Reform in Transition Banking 10 Years

Later: An Interest Margins Analysis,” Journal of Policy Modeling, Vol. 25, 309-317.
Page 77 sur 99
 Dubernet, Michel. (1997). Gestion actif-passif et tarification des services bancaires -

Paris : Economica, 310 p.
 Dunning, T. (2008), “Model Specification in Instrumental-Variables Regression,”

Political Analysis, Vol. 16, 290-302.
 Dupré Denis (1999). La modélisation des dépôts à vue, Banque et Marché,

pp 24 :29-34.
 Dupré Denis, Mohamed El Babsiri (1997). ALM : techniques pour la gestion actif
passif Paris : Eska, 174 p.
 Grebeck, M. and S. Rachev (2005). Stochastic Programming Methods in Asset-

Liability Management. Investment Management and Financial Innovations 1, 82-90p
 Lloyd-Williams, D. M., Molyneux, P., and Thornton, J. (1994), “Market Structure and
Performance in Spanish Banking,” Journal of Banking and Finance, Vol. 18, 433-443.
 M. Cyrille (2005). Comparaison des modèles de dépôts à vue, Centre d’Etude et

Recherche Appliquées à la Gestion des risques bancaires. Université Pierre Mendès-
France, Grenoble.
 Maddala, G. S., and Wu, S. (1999), “A Comparative Study of Unit Root Tests with
Panel Data and a Simple New Test,” Oxford Bulletin of Economics and Statistics, Vol.
61, 631-652.
 Matz, L. (2008), “Liquidity Risk: New Lessons and Old Lessons,” Financial
Managers Society Inc.
 Maudos, J., and Fernández de Guevara, J., (2004), “Factors Explaining the Interest
Margin in the Banking Sectors of the European Union,” Journal of Banking and
Finance, Vol. 28, 2259-2281.
 Maudos, J., and Solís, L. (2009), “The Determinants of Net Interest Income in the
Mexican Banking System: An Integrated Model,” Journal of Banking and Finance.
 Michel Piermay, Pierre Mathoulin, Arnaud Cohen (2002). La gestion actif-passif d'une
compagnie d'assurance ou d'un investisseur institutionnel. Paris : Economica, 111 p.
 Miller, S. M., and Noulas, A. G. (1997), “Portfolio Mix and Large-Bank Profitability
in the USA,” Applied Economics, Vol. 29, 505-512. .
Page 78 sur 99
 Molyneux, P., and Thornton, J. (1992), “Determinants of European Bank Profitability:

A Note,” Journal of Banking and Finance, Vol. 16, 1173-1178.
 Paul Demey, Antoine Frachot, Gaël Riboulet (2003). Introduction à la gestion actif-
passif bancaire. Economica, 156 p.
 White Paper. Matz, L., and Neu, P. (2007), Liquidity Risk Measurement and
Management: A Practitioner's Guide to Global Best Practices, John Wiley & Sons
(Asia) Pte Ltd, Singapore.
C ir cu la ir e s :
 La ciculaire BCT n° 2006-19 du 28 Novembre 2006 ;
 La circulaire BCT n° 2014-14 du Novembre 2014 ;
 La circulaire BCT n° 2018-10 du 1er Novembre 2018 ;
 La circulaire BCT n° 2020-07 du 25 Mars 2020 ;
 La circulaire BCT n° 2020-08 du 1er Avril 2020 ;
Page 79 sur 99
Annex es
ANNEXES
Page 80 sur 99
Annex es
ANNEXE 1: Statistique descriptive
************** STATISTIQUE DESCRIPTIVE ************
. tabstat D R, statistics( min mean var sd cv skewness kurtosis max ) columns(statistics)
variable | min mean variance sd cv skewness kurtosis

max
-------------+--------------------------------------------------------------------------------
d | 14.07841 14.37179 .02568 .1602497 .0111503 -.0137419 1.5712 14.66434
r | 1.435084 1.702719 .057035 .23882 .140258 .4046182 1.531916 2.066863
----------------------------------------------------------------------------------------------
ANNEXE 2 : Estimation des modèles
********************** MODELE DE SELVAGIO ****************
Source | SS df MS Number of obs = 59

-------------+---------------------------------- F(3, 55) = 161.21
Model | 1.30916021 3 .436386736 Prob > F = 0.0000
Residual | .148884355 55 .002706988 R-squared = 0.8979
-------------+---------------------------------- Adj R-squared = 0.8923
Total | 1.45804456 58 .025138699 Root MSE = .05203
------------------------------------------------------------------------------
d | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
d |
L1. | .2585903 .1320787 1.96 0.055 -.0061013 .5232818
|
r | .1304278 .0652683 0.23 1.051 -.0003729 .2612285
t | .0047833 .0011827 4.04 0.000 .0024132 .0071535
_cons | 10.28975 1.830527 5.62 0.000 6.621292 13.95821
------------------------------------------------------------------------------
. hettest
Breusch-Pagan / Cook-Weisberg test for heteroskedasticity

Ho: Constant variance
Variables: fitted values of D
chi2(1) = 0.81
Prob > chi2 = 0.3680
. estat vif
Variable | VIF 1/VIF

-------------+----------------------
Page 81 sur 99
Annex es
t | 9.35 0.106969
D |
L1. | 8.87 0.112715
R | 5.18 0.192960
-------------+----------------------
Mean VIF | 7.80
. estat dwatson
Durbin-Watson d-statistic( 4, 59) = 2.080153
. outreg2 using selvi.doc

selvi.doc
dir : seeout
. ********************** MODELE DE DUPRE ****************

-------------+---------------------------------- F(1, 57) = 0.02
Model | .000062206 1 .000062206 Prob > F = 0.9025
-------------+---------------------------------- Adj R-squared = -0.0173
Total | .234299381 58 .004039644 Root MSE = .0641
------------------------------------------------------------------------------
D.d | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
r | -.0043082 .0350164 -0.12 0.903 -.0744273 .0658109
_cons | .0151201 .0602722 0.25 0.803 -.105573 .1358132
------------------------------------------------------------------------------
. hettest

Variables: fitted values of D.D
chi2(1) = 0.01
Prob > chi2 = 0.9386
. estat vif

-------------+----------------------
R | 1.00 1.000000
-------------+----------------------
Mean VIF | 1.00
Page 82 sur 99
Annex es
. estat dwatson
. prais d.D R, corc
Iteration 0: rho = 0.0000

Iteration 1: rho = -0.4883

Cochrane-Orcutt AR(1) regression -- iterated estimates

-------------+---------------------------------- F(1, 56) = 0.08
Model | .00024912 1 .00024912 Prob > F = 0.7798
-------------+---------------------------------- Adj R-squared = -0.0164
Total | .176955532 57 .003104483 Root MSE = .05617
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
r | -.0058494 .0208181 -0.28 0.780 -.0475531 .0358542
_cons | .0170602 .0358241 0.48 0.636 -.054704 .0888244
-------------+----------------------------------------------------------------
rho | -.4883509
------------------------------------------------------------------------------
. ********************** MODELE DE OTS ****************

-------------+---------------------------------- F(1, 57) = 313.42
Model | 1.23368145 1 1.23368145 Prob > F = 0.0000
-------------+---------------------------------- Adj R-squared = 0.8434
Total | 1.45804456 58 .025138699 Root MSE = .06274
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
d |
L1. | .9176459 .0518337 17.70 0.000 .8138508 1.021441
|
Page 83 sur 99
Annex es
_cons | 1.191042 .7447923 1.60 0.115 -.300379 2.682463

------------------------------------------------------------------------------
. hettest

Variables: fitted values of D
chi2(1) = 1.61
Prob > chi2 = 0.2049
. estat vif

-------------+----------------------
R | 1.00 1.000000
-------------+----------------------
Mean VIF | 1.00
. estat dwatson
Durbin-Watson d-statistic( 2, 60) = .6450973


-------------+---------------------------------- F(1, 56) = 906.67
Model | 2.82489548 1 2.82489548 Prob > F = 0.0000
-------------+---------------------------------- Adj R-squared = 0.9408
Total | 2.99937312 57 .052620581 Root MSE = .05582
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
d |
L1. | .9711949 .0322538 30.11 0.000 .9065827 1.035807
|
_cons | .4210114 .4635037 0.91 0.368 -.5074981 1.349521
-------------+----------------------------------------------------------------
Page 84 sur 99
Annex es
rho | -.4813018
------------------------------------------------------------------------------
. ********************** MODELE DE JARROW & VAN DEVENTER ****************

-------------+---------------------------------- F(3, 56) = 0.52
Model | .006484041 3 .002161347 Prob > F = 0.6682
-------------+---------------------------------- Adj R-squared = -0.0249
Total | .237866857 59 .004031642 Root MSE = .06428
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
r |
--. | .0069214 .0129939 0.53 0.596 -.0191085 .0329512
D1. | .2529528 .2947026 0.86 0.394 -.3374075 .8433132
|
t | -.0001997 .0006448 -0.31 0.758 -.0014914 .001092
------------------------------------------------------------------------------
. hettest

Variables: fitted values of D.D
chi2(1) = 0.66
Prob > chi2 = 0.4182
. estat vif

-------------+----------------------
t | 4.77 0.209464
R |
--. | 4.69 0.213424
D1. | 1.07 0.937171
-------------+----------------------
Mean VIF | 3.51
. estat dwatson

Page 85 sur 99
Annex es


-------------+---------------------------------- F(3, 54) = 0.28
Model | .00268495 3 .000894983 Prob > F = 0.8415
-------------+---------------------------------- Adj R-squared = -0.0395
Total | .176955146 57 .003104476 Root MSE = .05681
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
r |
--. | -.0272601 .0457412 -0.60 0.554 -.1189656 .0644454
D1. | .1413598 .2224882 0.64 0.528 -.3047021 .5874218
|
t | .0002942 .0006632 0.44 0.659 -.0010354 .0016239
_cons | .0432072 .0608285 0.71 0.481 -.0787465 .165161
-------------+----------------------------------------------------------------
rho | -.4874323
------------------------------------------------------------------------------
Page 86 sur 99
Annex es
ANNEXE II. Stationnarité avec constante sans tendance
. dfuller d , const
Dickey-Fuller test for unit root Number of obs = 59
---------- Interpolated Dickey-Fuller ---------
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
------------------------------------------------------------------------------
Z(t) -1.645 -3.567 -2.923 -2.596
------------------------------------------------------------------------------
MacKinnon approximate p-value for Z(t) = 0.4599
. ********** stationnarité avec constante avec tendance ********
. dfuller d , trend
Dickey-Fuller test for unit root Number of obs = 59
---------- Interpolated Dickey-Fuller ---------
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
------------------------------------------------------------------------------
Z(t) -5.121 -4.130 -3.491 -3.175
------------------------------------------------------------------------------
MacKinnon approximate p-value for Z(t) = 0.0001
Page 87 sur 99
Annex es
ANNEXE III. Choc sur la vitesse d'ajustement
**** niveau 99%
-------------+---------------------------------- F(2, 56) = 227.65
Model | 1.29835031 2 .649175154 Prob > F = 0.0000
-------------+---------------------------------- Adj R-squared = 0.8866
Total | 1.45804456 58 .025138699 Root MSE = .0534
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
d |
L1. | .3611005 .1249204 2.89 0.005 .0279986 .6942023
t | .0055047 .0011559 4.76 0.000 .0024224 .008587
_cons | 9.016857 1.761394 5.12 0.000 4.320077 13.71364
------------------------------------------------------------------------------
**** niveau 95%
-------------+---------------------------------- F(2, 56) = 227.65
Model | 1.29835031 2 .649175154 Prob > F = 0.0000
-------------+---------------------------------- Adj R-squared = 0.8866
Total | 1.45804456 58 .025138699 Root MSE = .0534
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
d |
L1. | .3611005 .1249204 2.89 0.005 .1108548 .6113461
Page 88 sur 99
Annex es
t | .0055047 .0011559 4.76 0.000 .0031891 .0078203
_cons | 9.016857 1.761394 5.12 0.000 5.48836 12.54535
------------------------------------------------------------------------------
**** niveau 90%
-------------+---------------------------------- F(2, 56) = 227.65
Model | 1.29835031 2 .649175154 Prob > F = 0.0000
-------------+---------------------------------- Adj R-squared = 0.8866
Total | 1.45804456 58 .025138699 Root MSE = .0534
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
d |
L1. | .3611005 .1249204 2.89 0.005 .1521683 .5700326
t | .0055047 .0011559 4.76 0.000 .0035713 .007438
_cons | 9.016857 1.761394 5.12 0.000 6.070886 11.96283
------------------------------------------------------------------------------
Page 89 sur 99
Tab le des ma tières
Table des matières
I N T R O D U C T I O N G E N E R A L E ........................................................................................................... 1
C H A P I T R E I . L A G E S T I O N A C T I F - P A S S I F B A N C A I R E , M E T H O D E S E T P RA T I Q U E S
E X I S T A N T E S D E M O D E L I S A T I O N D E S R E S S O U R C ES A V U E ................................................ 6
SECTION I. La gestion actif -passif et l e risque de liquidité : ............................................ 8
1. La gestion actif -passif : ....................................................................................................... 8
2. Les objectifs de la gestion actif -passif : .......................................................................... 9
3. Le risque de liquidité, sa mesure et sa gestion dans le cadre de la gestion actif -

passif : .............................................................................................................................................. 9
3.1. Le risque de liquidité : .................................................................................................... 12
a) La liquidité bancaire : ..................................................................................................... 12
b) Les facteurs déterminants de la liquidité bancaire : ............................................... 14
c) La technique de titrisation :............................................................................................... 15
d) L’intermédiation bancaire et le risque d e liquidité : ............................................... 16
3.2. La mesure et la gestion du risque de li quidité en ALM : ........................................ 18
3.3. Les source s du risque de liquidité : .............................................................................. 22
4. Cadre règlementaire : ......................................................................................................... 23
5. Le contexte Tunisien : .......................................................................................................... 24
SECTION II. L’enjeu des dépôts a vue en gestion actif -passif : étude bibliogr aphique
......................................................................................................................................................... 27
1. L’enjeu des dépôts à vue en gestion actif -passif : ...................................................... 27
2. La modélisation des dépôts à vue existants : étude bibliographique : ................... 28
2.1. Etude bibliographique : ..................................................................................................... 29
2.2. Le s modèles fournis par la littérature : ......................................................................... 30
2.2.1. Le modèle Selvaggio (1996 ) : .................................................................................... 30
2.2.2. Le modèle Dupré (19 96), Jar row et Van Deventer (19 98) : ............................... 31
Page 90 sur 99
2.2.3. Modèle Offic e of Thrift Supervision ( OTS, 200 1) : .............................................. 33
2.2.4. Le modèle O’brien (20 00) : ......................................................................................... 34
2.3. La fonction d’écoulement : ................................................................................................ 34
2.3.1. La détermination de la partie stable et de la partie volatile des DAV : ........... 34
2.3.2. Pré sentation des conventions d’écoulement : ............................................................ 35
2.3.3. Pré sentation de la fonction d’écoulement du stock : .............................................. 35
CHAPITRE II. MODELISATION DES DEPOTS A VUE, COSTRUCTION DE LA

C O N V E N T I O N D ’ E C O U L E M E N T E T S T R E S S T ES T I N G ........................................................... 39
SECTION I. Construction de la convention d’écoulement des DAV : ............................. 41
1. Etude statistique : ................................................................................................................ 41
1.1. Présentation des données : ............................................................................................ 41
1.2. Etude de la saisonnalité : ............................................................................................... 43
1.3. Statistique descriptive des variable s : ........................................................................ 45
2. Estimation et choix du modèle .......................................................................................... 46
2.1. Le s tests statistiques : ........................................................................................................ 46
a) Test d’hétéroscédasticité (Breush -Pagan / Cook -Weisberg / Wald) : .............. 46
b) Test de multicolinéarité (VIF) : ..................................................................................... 47
c) Test d’auto -corrélation des erreurs (Du rbin -Watson) : .............................................. 47
2.2. L’estimation des modèles : ................................................................................................ 48
3. L’écoulement des DAV non rémunérés d e la BH -Bank :............................................... 50
SECTION II. Approche dynamique des DAV : ....................................................................... 54
1. Modélisation et prévision par la méthode Box and Jenkis : ...................................... 54
1.1. Identification du modèle : .............................................................................................. 54
1.2. Comparaison entre le modèle de Selvaggio et le modèle AR(2) : ...................... 57
1.3. Prévision : .......................................................................................................................... 58
2. La prévision par la technique du lissage exponentiel simple : ................................. 59
Page 91 sur 99
SECTION III. STRESS TESTIN G ET IMPACT SUR LES INDICATEURS DE MESURE ......... 61
1. Méthode des stress test s : .................................................................................................. 61
2. Le contexte Tunisien et le st ress te st : ............................................................................ 62
3. Application du stress test pour les DAV la BH -Bank : ................................................ 63
3.1. Démarche : ............................................................................................................................ 63
3.1.1. Choc de la partie volatile : .......................................................................................... 63
3.1.2. Choc de la vitesse d’ajustement : ................................................................................ 64
3.2. Résultats : ............................................................................................................................. 65
C O N C L U S I O N G E N E R A L E ............................................................................................................. 71
R E F E R E N C E S BI B L I O G R AP H I Q U E S ............................................................................................. 74
A N N E X E S ........................................................................................................................................... 80
Page 92 sur 99

SGHAEIR Oumaima

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

SGHAEIR Oumaima

Transféré par

Droits d'auteur :

Formats disponibles

Mémoire de fin d’Etudes

Modélisation des dépôts à vue et

SGHAEIR Oumaima M. BEN AISSA Safouane

38ème PROMOTION Banque - Décembre 2020

À mes amis, pour leurs présences dans ma vie ;

Je tiens à remercier tout particulièrement mon encadrant le professeur Monsieur

Je tiens à remercier chaleureusement Mme Najla GUABSI, de m’avoir accueillie au sein de

ALM : Asset-Liability Management

ABS : Asset-Backed Securities

ALHQ : Actifs Liquides de Haute Qualité

BCE : la Banque Centrale Européenne

BCT : Banque Centrale de Tunisie

CMBS : Commercial Mortgage Backed Security

CDO : Collateralized Debt Obligation

CBCB : Comité de Bâle sur le Contrôle Bancaire

CMF : Conseil de Marché Financier

DVA : Dépôt à vue

FED : la réserve fédérale des Etats-Unis

LCR : Liquidity Coverage Ratio

LTD : ratio crédits/dépôts

NSFR : Net Stable Funding Ratio

OTS : Office of Thrift Supervision

PIB : Produit Intérieur Brut

RMBS : Residential Mortgage Backed Security

Taux de Marché Monétaire

TMM : VAR : Value At Risk

Figure 1. Présentation de l'actif et le passif sur les quatre années .................................... 20

Tableau 1. Actif passif de la banque à la date 0 ................................................................... 19

SECTION I. La gestion actif-passif et l e risque de liquidité : ............................................ 8

CHAPITRE II. MODELISATION DES DEPOTS A VUE, COSTRUCTION DE LA

SECTION I. Construction de la convention d’écoulement des DAV : ............................. 41

SECTION II. Approche dynamique des DAV : ....................................................................... 54

La première section du premier chapitre sera consacrée à la présentation de la relation

Enfin et au niveau de la deuxième section du deuxième chapitre, nous allons effectuer

CHAPITRE I. LA GESTION ACTIF-PASSIF BANCAIRE,

Intr odu ction :

La création de la liquidité par les banques constitue un élément essentiel au bon

Pour un pays, la fonction de la création de liquidité est optimale et bénéficie à l’économie.

De cette observation découle la problématique de ce mémoire, celle de la mesure du risque de

SECTION I. La gestion actif -passif et le risque de liquidité :

La gestion actif-passif (Asset and Liability Management ALM) fait référence au

1. La ges tion actif -pa ssif :

Fondamentalement, la gestion actif-passif (Asset and Liability Management ALM) est

L’Asset-Liability Management (ALM) désigne « les techniques de maîtrise du

2. Les ob je ctifs de la ges tion actif -pa ssi f :

- Le développement des outils informatiques facilitant la tâche de la modélisation.

- L’analyse et la mesure des risques de liquidité, de taux d’intérêt et de change en

- Le contrôle afin de s’assurer de la cohérence entre la gestion des risques et la

Les risques acceptés:

• risque de crédit: risque de perte financière provenant de l'incapacité des clients à

Les risques subis:

3.1. Le risq ue de liqu id ité :

En effet, le fonctionnement du marché monétaire interbancaire s’est bloqué car certaines

a) La liquidité ba nca ire :

La liquidité correspond à la capacité de la trésorerie d’une institution financière à faire

 La liquidité Banque Centrale :

La liquidité de marché représente la liquidité qu’une banque peut obtenir en liquidant

En conclusion, ces quatre caractéristiques garantissent qu’un actif négocié sur un

Drehmann et Nikolaou (2009) définissent la liquidité de financement ou la liquidité

b) Les fa cteurs d éte rmin ants de la l iqu id it é bancair e :

La littérature a qualifié les déterminants de la liquidité comme étant «l’ensemble des

 Achat / vente de devises auprès de la banque centrale : Les opérations de cession et

 les réserves obligatoires : La réserve obligatoire est un « facteur règlementaire » que